XiaoMi-AI文件搜索系统
World File Search SystemConformal
![[取消]基于结构的Bootstrap的基于增强学习的数值方法](/simg/6/68a92c1f6474a47f07b48968084dcd7e7db94a55.webp)
[取消]基于结构的Bootstrap的基于增强学习的数值方法
i将讨论用于在保形的引导程序中数值求解交叉方程的随机优化技术。通过使用增强学习算法来告知这种方法。我将为1D线缺失的CFT提供结果，但也突出显示其更广泛的适用性。
超越信心：自主系统感知的双阈值共形预测中的自适应弃权
摘要 - 安全至关重要的感知系统都需要可靠的不确定性量化和原则上的弃权机械，以在不同的操作条件下保持安全性。我们提出了一个新颖的双阈值共形框架，该框架可提供统计保证的不确定性估计，同时在高风险场景中实现选择性预测。我们的ap-proch唯一结合了共形阈值，以确保有效的预测集和通过ROC分析优化的弃用阈值，从而提供无分布的覆盖范围保证（≥1-α），同时识别不可靠的预测。通过对CIFAR-100，ImagEnet1k和ModelNet40数据集进行全面评估，我们在不同的环境扰动下展示了跨摄像头和激光痛的较高鲁棒性。该框架在严重的条件下达到了出色的检测性能（AUC：0.993→0.995），同时保持高覆盖率（> 90.0％），并实现适应性弃权（13.5％→63.4％±0.5），作为环境严重程度。对于基于激光雷达的感知，我们的方法表现出特别强大的表现，保持了强大的共识（> 84.5％），同时适当弃权不可靠的预测。值得注意的是，该框架在重扰动下显示出显着的稳定性，检测性能（AUC：0.995±0.001）在所有模式中的现有方法都显着超过现有方法。我们的统一方法弥合了理论保证和实际部署需求之间的差距，为在挑战性的现实世界中运行的安全至关重要的自主系统提供了强有力的解决方案。代码可在https://github.com/divake/conformal预测基于传感器的信任可达检测
与视觉模型识别人类作用识别的共形预测
摘要 - 人类在循环（HITL）框架上是许多现实世界中的计算机视觉系统的特征，使人类操作员能够在AI帮助的情况下做出明智的决定。共形预测（CP）为标签集提供了严格的基于地面真相包容概率的保证，最近已成为HITL设置中有价值的工具。一个关键的应用领域是视频监视，与人类行动识别（HAR）紧密相关。这项研究探讨了CP在使用广泛预先训练的视觉模型（VLMS）的最先进的方法上的应用。我们的发现表明，CP可以显着减少候选类别的平均数量，而无需修改基础VLM。但是，这些减少通常会导致长尾巴的分布。为了解决这个问题，我们引入了一种基于调整VLM的温度参数以最小化这些尾巴的方法而无需其他校准数据的方法。我们的代码可在github上通过地址https://github.com/tbary/cp4vlm提供。索引项 - 符合预测，温度调整，视觉语言模型，人类行动识别。
大师实习优惠 - 2025年春季从Pac -Bayesian的角度来预测
机器学习算法在我们的社会中越来越普遍。随着这些算法的快速扩展，当研究算法应用于新数据时，就其可靠性和概括性能出现了许多问题。因此，对最广泛使用的算法进行了深入的数学分析，在当前的研究中起着越来越重要的作用。新工具以快速的速度出现，有助于研究为什么这些算法概括地概括了。这项研究属于统计学习理论的主要领域[8]。为了获得相关的统计保证，已经开发了许多方法，例如统一稳定性的概念，假设空间的复杂度度量或Pac-Bayesian理论[7，5]。Pac-Bayesian方法最近在发现新颖的概括范围中导致了连续的突破，直到现在，这些范围才能使用替代理论产生。它也已用于得出新算法以最大程度地减少此类界限（称为自我限制算法[9，第7章]）。
保融机器翻译评估
最近已经提出了几种不确定性估计方法，以用于机器翻译评估。尽管这些方法可以提供不信任模型预测的有用指示，但我们在本文中表明，大多数人倾向于低估模型的不确定性，因此，它们通常会产生不涵盖地面真理的误导性置信区间。我们建议使用保形预测，这是一种无分布的方法，可以在覆盖范围内获得具有理论上确定的固定性的置信区间。首先，我们证明了拆分的保形预测可以“正确”以前方法的置信区间，以产生所需的覆盖水平，并且我们在多个机器翻译评估指标和不确定性量化方法中揭示了这些发现。此外，我们以估计的置信区间重点介绍了偏见，并以不同属性（例如语言和翻译质量）的不平衡覆盖范围重新介绍了偏见。我们通过应用条件保形预测技术来解决每个数据子组的校准子集，从而导致均等覆盖范围。总体而言，我们表明，提供了对校准集的访问，共形预测可以帮助识别最合适的不确定性量化方法并调整预测的置信区间，以确保与不同属性有关。1
成为贝叶斯人在在线保形预测中的重要性
1一个示例是分类，其中得分函数通常是每个候选标签的SoftMax得分（r = 1）。它是积极的定向：较大意味着模型更确定候选标签是真实的标签。对于回归，更常见的是使用负面的分数函数，这意味着等式中的不平等。（1）被逆转。2这个扩展的摘要着重于边缘CP。更一般地，CP算法可以预测R t（X t，α）。
在动态环境中递归可行的缩小 - 摩尼子MPC保证保证
在本文中，我们着重于在不确定的动态环境中缩小 - 摩尼斯模型预测控制（MPC）的问题。我们考虑控制一个确定性的自主系统，该系统在其任务过程中与无法控制的随机代理相互作用。采用保形预测中的工具，现有作品为未知代理的传统提供了高信心的预测区域，并将这些区域集成到MPC适当安全约束的设计中。尽管保证了闭环轨迹的概率安全性，但这些约束并不能确保在整个任务的整个过程中相应的MPC方案的可行性。We propose a shrinking-horizon MPC that guarantees recursive feasibility via a gradual relaxation of the safety constraints as new prediction regions become available online.这种放松可以从所有可用的预测区域集合最少限制性预测区域保存安全限制。在与艺术状态的比较案例研究中，我们从经验上表明，我们的方法导致更严格的预测区域并验证MPC方案的递归可行性。关键字：MPC，动态环境，共形预测
使用共形预测对基于模型的控制器的不确定性定量和鲁棒化
在基于现代模型的控制框架中，例如模型预测控制或基于模型的信息学习学习，机器学习已成为一种无处不在的技术类别，以提高动态模型的准确性。通过利用诸如神经网络之类的表现力体系结构，这些框架旨在通过构建系统动力学的准确数据驱动表示，旨在提高系统的模型精度和控制性能。尽管对其非学习顾问进行了显着的绩效提高，但对于这些基于模型的模型的基于模型的控制器在不确定性的存在下，这些模型的控制器通常几乎没有保证。尤其是在模拟误差，噪声和外源性干扰的影响下，确定这些学习模型的准确性是一项挑战。在某些情况下，甚至可能违反约束，使控制器不安全。在这项工作中，我们提出了一个新颖的框架，该框架可以应用于大量的基于模型的控制器，并通过以在线和模块化方式鲁棒化基于模型的控制器，从而减轻上述问题，并在模型的准确性和约束满意度上提供可证明的保证。该框架首先部署保形预测，以生成有限的，可证明的有效的不确定性区域，以无分配方式为动态模型。通过动态约束程序，这些不确定性区域被纳入约束中。关键字：基于学习的控制，基于模型的控制，不确定性量化1。（2023a））。Jiahao等。Jiahao等。与预测参考生成器的配方一起，生成了一组可鲁棒的参考传播，并将其纳入基于模型的控制器中。使用两个实际的案例研究，我们证明我们提出的方法不仅产生了良好的不良区域，这些区域建立了模型的准确性，而且还使闭环系统以强大但不保守的方式满足约束。简介由于非线性优化框架的最新进展以及计算资源的可用性增加，在广泛的域上应用基于模型的控制器的应用趋势是趋势。，用于建筑物中的温度控制（Yao和Shekhar（2021）），用于自动驾驶汽车（Wu等人（2022））和四型控制（Chee等人机器学习方法的扩散同时导致了学习增强的，基于模型的控制框架的发展，这些框架利用学习工具通过改进动态模型来提高控制性能，例如（2023）。尽管这些发展激增，但这些基于学习的控制框架在不确定性存在下如何执行的问题仍然是一个积极的研究主题（Mesbah等人。（2022）; Brunke等。（2022））。在这项工作中，我们通过提出一个新颖的框架来解决这个问题，该框架系统地允许基于模型的控制器在模型不匹配，噪声和外部干扰的集体影响下稳健地满足约束。
增材制造坚固合金上的保形涂层
开发具有以下特征的新型高温合金：（1）。高机械强度完整性；（2）。高抗氧化性；（3）。高抗渗碳性。所设计的合金有望应用于在高温（超过 750 ºC，例如 800 ºC）和高压（30 MPa）下在 sCO 2 中运行的热交换器。
关于保形预测集的预期大小
虽然共形预测因子在其频率上获得了严格的统计保证的好处，但其相应的预测集的大小对其实际利用而言至关重要。不幸的是，目前缺乏有限样本分析，并保证了其预测设置尺寸。为了解决这一短缺，我们从理论上量化了在分裂的共形预测框架下的预测集的预期大小。由于通常无法直接计算此精确的形式，我们进一步得出了可以在经验上计算的点估计和高概率间隔边界，从而提供了一种表征预期设置大小的实用方法。我们通过在现实世界数据集上实验回归和分类问题来证实结果的功效。