XiaoMi-AI文件搜索系统
World File Search SystemEBMS
信息技术停机：备忘录
本备忘录提供了一些建议，以支持制定有效的应急计划，以应对计划内和计划外的 IT 停机。输血服务依赖于许多 IT 系统，包括实验室信息管理系统 (LIMS)、电子病历系统 (EPR)、电子血液管理系统 (EBMS)、电子温度监测系统 (ETM)、采购系统、血液成分订购系统、员工排班系统以及支持质量管理系统的系统。应急计划的一般原则适用于输血中使用的所有电子系统，但本文件重点介绍对安全输血实践至关重要的系统：LIMS、EPR、EBMS 和 ETM。
基于能量的模型规划
摘要：基于模型的规划对于提高强化学习 (RL) 中的样本效率和泛化能力大有裨益。我们表明，基于能量的模型 (EBM) 是一种很有前途的模型，可用于基于模型的规划。EBM 自然支持在给定起始和目标状态分布的情况下推断中间状态。我们提供了一种在线算法来训练 EBM，同时与环境交互，并表明 EBM 允许比相应的前馈网络更好的在线学习。我们进一步表明，EBM 支持最大熵状态推断，并且能够生成不同的状态空间计划。我们表明，纯粹在状态空间中进行推断（没有规划动作）可以更好地泛化到环境中以前看不见的障碍物，并防止规划者通过应用非典型动作序列来利用动态模型。最后，我们表明，在线 EBM 训练自然会导致有意计划的状态探索，其表现明显优于随机探索。
RV32IMAC RISC-V SOC
班加罗尔，印度摘要：基于能量的模型（EBM）通过利用Boltzmann分布来表达事件的可能性，为生成建模提供了一种有希望的生成模型的方法。在这项研究中，我们深入研究了EBM的理论和实际实施，从物理系统和神经网络体系结构中汲取灵感。通过训练神经网络，以输出较低的分数，以便可能观察到可能的观察值，而不太可能的分数却旨在对真实的数据生成分布进行建模。我们解决了与采样新观察和棘手的归一化分母相关的挑战，提出了近似技术等近似技术，例如对比度差异和兰格文动力学。通过探索和实施，我们旨在提供有关图像生成任务的EBM的构建和利用的见解。索引术语 - 基于能量的模型，Boltzmann分布，神经网络，对比差异，Langevin Dynamics。
引用 (APA)：Hameed, Z.、Hashemi Toghroljerdi, S. 和 Træholt, C. (2021)。基于人工智能的预测在可再生能源电力平衡市场中的应用。2021 年 IEEE 国际工业技术会议论文集 (第 579-584 页)。IEEE。 https://doi.org/10.1109/ICIT46573.2021.9453469
摘要 — 日益增长的环境问题正在将更多的可再生能源整合到电力系统中。这种增长带来了发电的不确定性，使维持供需平衡变得具有挑战性。为了避免平衡问题和随之而来的稳定性问题，需要更好的预测模型，因为传统技术还不足以应对这些新挑战。因此，基于人工智能 (AI) 的预测技术在电力市场领域获得了潜在的认可。本文旨在研究人工智能在电力平衡市场 (EBM) 中价格预测应用的最新进展。以前在这方面的研究重点是日前市场，而针对 EBM 的研究相当稀少。本文展示了基于人工智能的预测如何支持 EBM 建模，从而实现更安全的分布式技术电网集成。我们还调查了经纪人和客户等市场参与者从此类预测中获得的收益。
NIH-NSF 康复研究人员之间的分歧
• 生物力学和机械生物学 (BMMB) • 认知神经科学 (CogNeuro) • 计算神经科学合作研究 (CRCNS) • 通信、电路和传感系统 (CCSS) • 网络人类系统 (CHS) • 网络物理系统 (CPS) • 残疾和康复工程 (DARE) • 生物医学系统工程 (EBMS) • 理解神经和认知系统的综合策略 (NCS) • 思维、机器和运动联系 (M3X) • 感知、行动和认知 (PAC) • 智能互联健康 (SCH)
使用基于能量的模型进行隐式生成和建模
基于能量的模型 (EBM) 因其在似然建模中的通用性和简单性而具有吸引力，但传统上很难训练。我们介绍了在连续神经网络上扩展基于 MCMC 的 EBM 训练的技术，并展示了它在 ImageNet32x32、ImageNet128x128、CIFAR-10 和机器人手轨迹的高维数据域上的成功，获得了比其他似然模型更好的样本，接近当代 GAN 方法的性能，同时覆盖了数据的所有模式。我们重点介绍了隐式生成的一些独特功能，例如组合性和损坏图像重建和修复。最后，我们表明 EBM 是适用于各种任务的有用模型，实现了最先进的分布外分类、对抗鲁棒分类、最先进的持续在线类学习和连贯的长期预测轨迹推出。
通过辅助变量的本地探索学习基于离散能量的模型
离散结构在程序语言建模和软件工程等应用中起着重要作用。当前预测复杂结构的方法通常会以某些牺牲性不可思议的方式考虑自回归模型的障碍。基于能量的模型（EBM）为建模这种分布提供了一种更加灵活，更强大的方法，但需要分区函数估计。在本文中，我们提出了芦荟，这是一种用于学习条件和无条件eBM的新算法，用于离散结构化数据，其中使用学习的采样器来估算参数梯度，以模拟本地搜索。我们表明，能量函数和采样器可以通过新的变化形式的功率迭代形式进行有效训练，从而在灵活性和障碍性之间实现了更好的权衡。在实验上，我们表明学习本地搜索会导致具有挑战性的应用程序领域的显着改善。最重要的是，我们提出了一种用于软件测试的能量模型指导的绒毛，该模型与Libfuzzer（如Libfuzzer）具有可比性的性能。
能量启发模型：利用采样器诱导分布进行学习
基于能量的模型 (EBM) 是强大的概率模型 [8, 44]，但由于配分函数的原因，其采样和密度评估难以处理。因此，EBM 中的推理依赖于近似采样算法，导致模型和推理不匹配。受此启发，我们将采样器诱导分布视为感兴趣的模型，并最大化该模型的似然。这产生了一类能量启发模型 (EIM)，它结合了学习到的能量函数，同时仍提供精确样本和可处理的对数似然下限。我们基于截断拒绝抽样、自归一化重要性抽样和汉密尔顿重要性抽样描述和评估了此类模型的三个实例。这些模型的表现优于或相当与最近提出的学习接受/拒绝采样算法 [ 5 ]，并为排序噪声对比估计 [ 34 ， 46 ] 和对比预测编码 [ 57 ] 提供了新的见解。此外，EIM 使我们能够概括多样本变分下界 [ 9 ] 和辅助变量变分推断 [ 1 ， 63 ， 59 ， 47 ] 之间的最新联系。我们展示了最近的变分界限 [ 9 ， 49 ， 52 ， 42 ， 73 ， 51 ， 65 ] 如何与 EIM 统一为变分家族。
改进了...
基于能量的模型（EBM）最近收到了感兴趣的插入量，并已应用于现实的图像产生（Han等，2019; Du＆Mordatch，2019年），3D形状形状的合成（Xie等，2018b），脱离分布和对抗性的鲁棒性（Lee等人，2018年； du＆Morth。 （Hinton，1999; Du等，2020a），记忆建模（Bartunov等，2019），文本生成（Deng等，2020），视频生成（Xie等，2017），增强学习（Haarnoja等人（Haarnoja et al。，2017; Du等，2019; Du等，protein; et et and of Focein; eft al。，protein Dive and Flive and Div）; Du等人，2020b）和生物学上的培训（Scellier＆Bengio，2017年）。对比性差异是（Hinton，2002）提出的训练EBM的流行而优雅的程序，可降低训练数据的能量并提高模型产生的采样综合的能量。模型进行了模型是通过MCMC过程（通常是Gibbs采样或Langevin Dynamics）生成的，从而利用了对采样和随机优化的广泛研究。对比差异的吸引力是其简单性和可扩展性。它不需要培训额外的辅助网络（Kim＆Bengio，2016; Dai等，2019）（引入其他调整和平衡需求），可以用来构成零射模型。