XiaoMi-AI文件搜索系统
World File Search SystemEnsemble
基线和基于过程模型的多模型集合提高了近期湖泊预测的预测技能
湖泊和水库中的抽象水温预测是在不断变化且更可变化的气候下管理重要的淡水资源的宝贵工具，但是以前的努力尚未确定最佳的建模方法。在这里，我们演示了第一个多模型集合（MME）储层水温预测，这是一种预测方法，将单个模型强度结合在单个预测框架中。我们开发了两个MME：一个基于过程的MME和一个五模型MME，其中包括基于过程的和经验模型，以预测温带饮用水库的水温谱。我们发现，相对于单个模型和基于过程的MME，五模型MME的预测性能提高了8％–30％，并使用汇总的概率技能得分进行了量化。尽管预测不确定性增加了，但性能的这种提高是由于五模型MME的预测偏差的大大改善所致。基于过程的模型之间的高相关性导致基于过程的MME相对于基于个体的基于过程的模型，预测性能几乎没有改善。MMES的效用由两个结果强调：（a）在每个深度和地平线（将来的日子）中，任何单独的模型都没有表现最佳，并且（b）MMES避免了表现不佳，因为很少能为任何单个预测期（随着时间的时间<6％）的预测周期产生最差的预测）。这项工作提供了一个示例，说明了如何合并现有模型以改善湖泊和储层中的水温预测，并讨论了在操作预测中利用MME而非单个模型的价值。
“热模型”对加拿大气候服务提供商使用的CMIP6合奏的影响：做全球限制会导致R
摘要：加拿大气候服务提供商提供了耦合模型对比项目（CMIP6）的预测，以帮助为气候变化缓解和适应决策提供信息。CMIP6包括几种“热”气候模型，其对温室气体强制的敏感性超过了从多种证据推断的可能范围。通过将观察性约束应用于CMIP6集团的历史持续率，可以减少政府间气候变化委员会（IPCC）的第六次评估报告（AR6）评估的全球变暖估计。本研究评估了对加拿大的全球限制CMIP6预测是否与不受约束的预测有明显不同。考虑了两个约束：一个删除瞬时气候响应的模型在AR6评估范围之内（TCRlaukeLy），而另一种权重模型以匹配平衡元素灵敏度的评估分布（ECSALL）。这两种约束都比不受约束的团结降低了凉爽和更干燥的预测，在整体范围的上端，高排放场景，世纪末期间和加拿大北部地区的降低最强。在这种情况下，年平均温度的约束预测为2 8 - 3 8 C比无约束的预测凉爽，而每年降水的预测通常为20％ - 干燥40％。在温度极端指数的集合中位数中也检测到明显的差异。基于这些结果，建议考虑区域预测的约束合奏，以避免“热模型”问题。另外，可以以规定的全球变暖级别进行预测，并在全球限制下进行了限制，以告知变暖水平超过超过的时间。
一种加权合奏方法，具有多种预训练的深度学习模型用于中风的分类
摘要：中风是全球最致命的疾病之一，强调了早期诊断的关键需求。本研究旨在创建一个两阶段的分类系统，用于中风和非冲程图像，以支持早期临床检测。深度学习（DL）是诊断，检测和及时治疗的基石，是主要方法论。转移学习适应了成功的DL体系结构来解决各种问题，合奏学习结合了多个分类器，以增强结果。这两种技术用于使用中风和正常图像数据集对中风进行分类。在初始阶段，六个预训练的模型是微调的，densenet，Xception和ExcilityNetB2作为表现最佳的人，分别达到98.4％，98.4％和98％的验证精度。这些模型在整体框架中充当基础学习者。加权的平均合奏方法将它们结合在一起，从而在保留的测试数据集中获得了99.84％的精度。这种方法表现出对中风检测的希望，这是一种威胁生命的状况，同时也证明了合奏技术在增强模型性能方面的有效性。
大黄金集合的线性时间不变模型
摘要：系统识别中的方法用于获得线性时间不变的状态空间模型，这些模型可以描述大量集合集合的水平平均温度和湿度如何随时间在小强迫下而演变。此处研究的整个集成集成在辐射 - 对流平衡中模拟了云系统解析模型。识别模型扩展了过去研究中使用的稳态线性响应函数，并提供了转移函数，噪声模型以及与二维重力波耦合时的转移函数，噪声模型和对流的行为。开发了一种新的程序，将状态空间模型转换为可解释的形式，该形式用于阐明和量化积云对流中的记忆。此处研究的线性问题是为获得数据驱动和解释的Coarteption的更一般努力的有用参考点。
使用集成课程学习和协作训练进行运动意象解码
摘要 — 在本文中，我们研究了从脑电图 (EEG) 数据中解码跨受试者运动想象 (MI) 的问题。由于各种个体间差异（例如大脑解剖结构、性格和认知特征），多受试者 EEG 数据集呈现出几种领域转变。这些领域转变使多受试者训练成为一项具有挑战性的任务，也阻碍了跨受试者的稳健泛化。受领域泛化技术对于解决此类问题的重要性的启发，我们提出了一种两阶段模型集成架构，该架构由多个特征提取器（第一阶段）和一个共享分类器（第二阶段）构建，我们使用两个新颖的损失项对其进行端到端训练。第一个损失应用课程学习，迫使每个特征提取器专门针对训练对象的子集并促进特征多样性。第二个损失是集成内蒸馏目标，允许集成模型之间协作交换知识。我们将我们的方法与几种最先进的技术进行了比较，在两个大型 MI 数据集（即 PhysioNet 和 OpenBMI）上进行了独立于受试者的实验。我们的算法在 5 倍交叉验证和留一受试者评估设置中均优于所有方法，并且使用的可训练参数数量要少得多。我们证明了我们的模型集成方法结合了课程学习和协作训练的力量，可实现高学习能力和稳健的性能。我们的工作解决了多受试者 EEG 数据集中的域转移问题，为无校准脑机接口铺平了道路。我们将代码公开发布在：https：//github.com/gzoumpourlis/Ensemble-MI。索引术语——脑机接口、EEG、运动意象解码、模型集成、域泛化
深度卷积神经网络的合奏比董事会认证的眼科医生更准确和可靠，在视网膜眼底照片中检测多种疾病
摘要旨在开发一种算法，以准确可靠地从眼底照片中对多种视网膜病理进行分类，并验证其针对人类专家的绩效。方法，我们训练了一个深卷积合奏（DCE），这是五个卷积神经网络（CNN）的集合，将视网膜眼底照片分类为糖尿病性视网膜病（DR），青光眼，与年龄相关的黄斑变性（AMD）和正常眼睛。CNN体系结构基于InceptionV3模型，并且在Imagenet数据集上预估计了初始权重。我们使用了来自12个公共数据集的43 055底面图像。然后在100张图像的“看不见”集上测试了五个训练有素的合奏。要求七位认证的眼科医生对这些测试图像进行分类。结果认证的眼科医生在所有类别中达到72.7％的平均准确性，而DCE的平均准确性为79.2％（p = 0.03）。与眼科医生相比，DCE对DR分类的平均F1得分平均得分更高（76.8％vs 57.5％； P = 0.01），但在统计学上更高，但统计学上不显着的F1得分的F1得分（83.9％vs 75.7％； P = 0.10）和正常（85.9％vs; amd; 85.9％vs; （73.0％vs 70.5％; p = 0.39）。DCE在准确性和自信之间具有更大的平均一致性，而自信为81.6％vs 70.3％（p <0.001）。讨论我们开发了一个深度学习模型，发现与董事会认证的眼科医生相比，它可以更准确，可靠地对四类眼底图像进行分类。这项工作提供了算法能够仅使用眼底照片对多种视网膜疾病进行准确和可靠的识别的原则证明。
ofr20241008.pdf-在气候模型集合中使用CMIP预测的方法来解决“热模型”问题
所有模型方法 ������农业研耗ECS和TCR筛选 �������农业研耗贝叶斯模型平均平均平均为平均平均平均平均平均平均平均 全球暖化级别 ������农业研磨示例：虚构的金嘴猛禽。结论 ��������������������������������������������������������������������������������6 参考引用 - ������农业研耗词汇表，词汇表 ��������������������������������������������������������������������������������11 附录1. 1. �������农业研耗
使用集成课程学习和协作训练进行运动意象解码
摘要 — 在本文中，我们研究了从脑电图 (EEG) 数据中解码跨受试者运动想象 (MI) 的问题。由于各种个体间差异（例如大脑解剖结构、性格和认知特征），多受试者 EEG 数据集呈现出几种领域转变。这些领域转变使多受试者训练成为一项具有挑战性的任务，也阻碍了跨受试者的稳健泛化。受领域泛化技术对于解决此类问题的重要性的启发，我们提出了一种两阶段模型集成架构，该架构由多个特征提取器（第一阶段）和一个共享分类器（第二阶段）构建，我们使用两个新颖的损失项对其进行端到端训练。第一个损失应用课程学习，迫使每个特征提取器专门针对训练对象的子集并促进特征多样性。第二个损失是集成内蒸馏目标，允许集成模型之间协作交换知识。我们将我们的方法与几种最先进的技术进行了比较，在两个大型 MI 数据集（即 PhysioNet 和 OpenBMI）上进行了独立于受试者的实验。我们的算法在 5 倍交叉验证和留一受试者评估设置中均优于所有方法，并且使用的可训练参数数量要少得多。我们证明了我们的模型集成方法结合了课程学习和协作训练的力量，可实现高学习能力和稳健的性能。我们的工作解决了多受试者 EEG 数据集中的域转移问题，为无校准脑机接口铺平了道路。我们将代码公开发布在：https：//github.com/gzoumpourlis/Ensemble-MI。索引术语——脑机接口、EEG、运动意象解码、模型集成、域泛化
综合咨询 - Ensemble Consultancy
为了加深公众对太空奇迹的兴趣，NASA 委托 Ensemble 设计和开发一款名为“Spot the Station”的新型移动应用程序，该应用程序可准确计算国际空间站 (ISS) 5 天的预测轨道路径。为了创建 ISS 位置的实时地图，我们开发了一个与平台无关的轨道传播系统，在 iOS 和 Android SDK 环境中构建了一个本机应用程序，实施了一个用于识别和调试问题的测试套件，并为我们的本机应用程序的全球部署做好了准备。该应用程序具有结合用户自定义首选项和持续定位服务的高级可见性通知功能，在推出的第一周内就获得了超过 20 万次下载，并获得了包括 NASA.gov、Space.com 和 Forbes.com 在内的众多顶级媒体的报道。
使用Ensemble检测混淆的恶意软件...
摘要 - 恶意软件是一种入侵，旨在损害计算机和任何网络连接的设备。由于数字时代的技术进步，恶意软件每天都以不同的形式发展。一些恶意软件包括病毒，特洛伊木马，勒索软件等。混淆的恶意软件是一种恶意软件，无法使用预定的签名模式或通过正常的检测策略来识别。混淆的恶意软件是对安全基础架构的主要威胁，很难检测到。为了自动化混淆的恶意软件检测过程，机器学习起着主要作用。本文旨在开发合适的机器学习模型作为一个合奏框架，以检测混淆的恶意软件。目标本文是在堆叠和提升下找到最有效，性能最高的合奏学习方法。堆叠的合奏学习分类器是通过机器学习模型（如随机森林，决策树，k-neart邻居和天真的贝叶斯）开发的。使用ADABOOST分类器，极端梯度提升分类器和直方图梯度增强算法开发增强集合学习分类器。从加拿大网络安全研究所进行的MalmeManalisy-2022数据集进行研究，其中包括58,598个记录，具有57个功能。使用准确性，精度，召回和F1得分等度量评估集合模型的性能。基于模型之间的比较分析，在堆叠方法中，随机森林和决策树以99.99％获得最高的精度。在增强方法中，通过直方图梯度提升和100％的极端梯度增强模型获得了最高精度。索引术语 - 合奏学习；恶意软件检测；机器学习；混淆的恶意软件；绩效评估