XiaoMi-AI文件搜索系统
World File Search SystemIndependencies
概率图形模型：原理和技术
3 The Bayesian Network Representation 45 3.1 Exploiting Independence Properties 45 3.1.1 Independent Random Variables 45 3.1.2 The Conditional Parameterization 46 3.1.3 The Naive Bayes Model 48 3.2 Bayesian Networks 51 3.2.1 The Student Example Revisited 52 3.2.2 Basic Independencies in Bayesian Networks 56 3.2.3 Graphs and Distributions 60 3.3 Independencies in Graphs 68 3.3.1 D-separation 69 3.3.2 Soundness and Completeness 72 3.3.3 An Algorithm for d-Separation 74 3.3.4 I-Equivalence 76 3.4 From Distributions to Graphs 78 3.4.1 Minimal I-Maps 79 3.4.2 Perfect Maps 81 3.4.3 Finding Perfect Maps ⋆ 83 3.5 Summary 92 3.6 Relevant Literature 93 3.7 Exercises 96
可解释的机器学习和优化的贝叶斯网络
由于人工智能越来越多地用于高风险应用，因此可以解释使用的模型变得越来越重要。贝叶斯网络提供了基于概率理论的可靠人工智能的范式。他们提供了一种语义，该语义可以通过利用它们之间的条件独立性来实现与域变量相关的概率分布的声明性表示。该表示由有向的无环图组成，该图编码变量之间的条件独立性以及编码条件分布的一组参数。此表示为开发概率推理（推理）和从数据学习概率分布的算法提供了基础。贝叶斯网络用于机器学习中的各种任务，包括聚类，超级分类，多维监督分类，异常检测和时间修改。他们还提供了估计分布算法的基础，这是启发式优化的一类进化算法。我们通过在神经科学，行业和生物启示中介绍应用程序来说明贝叶斯网络在可解释的机器学习和优化中的使用，涵盖了广泛的机器学习和优化任务。2021由Elsevier B.V.
国际政治经济学
大多数专家将国际政治经济学 (IPE) 的诞生追溯到 1970 年，当时英国学者苏珊·斯特兰奇发表了一篇题为“国际经济学与国际关系：相互忽视的案例” (Strange, 1970) 的文章。在这篇文章中，斯特兰奇批评了大多数大学的国际关系课程不足以理解国际经济学中正在发生的变化，反之亦然。IPE 领域于 20 世纪 70 年代在英国和美国出现，随后在世界其他地区兴起。那为什么呢？在 20 世纪 60 年代和 70 年代，多种国际因素促成了 IPE 作为一个研究领域的发展。美国的衰落（至少相对而言）加上德国和日本等新兴经济大国的崛起，引发了一系列关于美国实力或霸权衰落的争论。战后时期，前欧洲殖民地掀起了一股独立浪潮。
物理报告自由能原理变得更简单但是......
本文简要描述了自由能原理，从用朗之万方程表述随机动力系统开始，到可以解读为感知物理学的贝叶斯力学结束。它使用统计物理学的标准结果排练了关键步骤。这些步骤包括 (i) 基于从稀疏耦合动力学继承的条件独立性建立特定的状态划分，(ii) 用贝叶斯推理解开这种划分的含义，以及 (iii) 用最小作用变分原理描述特定状态的路径。从目的论上讲，自由能原理从最优贝叶斯设计和决策的角度提供了自组织的规范性解释，即最大化边际似然或贝叶斯模型证据。总之，从用随机动力系统描述世界开始，我们最终得到自组织作为可以解释为不证自明的感知行为的描述；即自组装、自创生或主动推理。© 2023 作者。由 Elsevier BV 出版这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
飞行运营作为网络系统：社会技术...
摘要。本文报告的研究使用系统团队合作事件分析 (EAST) 方法从多个角度（调度、ATC/ATM、维护、装载和驾驶舱）检查航空运营。这些网络是为飞行的五个关键阶段创建的：(i) 机组人员简报，(ii) 飞行前检查和发动机启动 (iii) 滑行和起飞，(iv) 下降和着陆，以及 (v) 滑行、停放和关闭。这些网络是作为“信息审计”生成的，以便了解当前系统内的交互和连接。关键词。航空、网络、STS、EAST 1. 简介航空是一个社会技术的“系统的系统”，涵盖技术、人力和组织方面（Harris 和 Stanton，2010 年）。在这些系统中，存在不同的操作独立性（飞机运营；维护；空中交通管理/管制），并且每个方面都具有管理独立性（它们由独立公司或国家供应商运营）。然而，它们受一套通用的操作原则和国际设计和操作规则的约束。这些操作的固有复杂性很难完全捕捉，因为它们在时间和空间上都是分散的。为了克服分布式认知建模的挑战，斯坦顿和同事们设计了 EAST 方法 (Stanton 等人，2008)。EAST 的基础是这样一个概念：复杂的协作系统可以通过以下方式有意义地理解：
人工智能算法预测骨科手术后处方镇痛鸡尾酒的疗效
骨科手术后使用止痛药缓解术后疼痛是围手术期医学的一个主要问题。特别是在肩部手术（例如肩袖修复）、全关节置换和肢体创伤的情况下，预计疼痛程度会很高；因此，必须采用高效的策略来加快恢复，避免患者不适和痛苦，并降低疼痛相关并发症的风险 [ 1 – 3 ]。在多模式疼痛治疗中，医生通常会联合使用两种或两种以上的止痛药 [ 4 , 5 ]。由于这些药物之间可能存在药理学相互作用，因此很少知道疗效的预测。相互作用可以基于作用机制（例如受体上的药效学）或药代动力学途径。例如，高达 95% 的双氯芬酸在吸收后与血清白蛋白结合，在肝脏中经 CYP 3A4 羟基化和葡萄糖醛酸化后经肾脏消除。临床效果是通过阻断环氧合酶 I 和 II 实现的，从而导致前列腺素的合成减少。对乙酰氨基酚也通过环氧合酶途径表现出其作用，抑制前列腺素合成。另一方面，阿片类药物通过受体起作用，这些受体对这些镇痛药具有特异性，在肝脏中经 CYP 3A4 羟基化后消除。因此，对于临床医生来说，两种以上药物的组合可能不清楚，并且对处方的净效应感到困惑。术后处方中含有具有各种药代动力学和药效学特性的阿片类药物和非阿片类药物。据我们所知，关于当以两种以上药物组合使用时这些特性如何变化的数据很少，而且很少发表（如果有的话）[6-11]。对具有大量止痛药组合的止痛药的任何统计评估都面临着严峻的挑战：使用传统统计方法得出结论极其困难。我们使用人工智能方法 [12-15] 来克服这一困难。我们使用（人工）神经网络（NN）进行数据分析；具体来说，我们使用称为自动编码器的无监督神经网络（图 1）。这些无监督神经网络通过最小化损失（输入和输出之间的差异的平方和，在训练集上取平均值）来生成高精度模拟输入的输出（因此得名：自动编码器）。特征向量在下一段中描述。然后，我们将每个输入特征向量的代码层权重用作降维特征向量的坐标（图 1）。疼痛程度是分类变量，所施用的止痛药也是如此。我们使用独热编码为每个患者生成一个 38 维特征向量（参见方法部分）。这些特征向量并不独立。降维算法（神经网络自动编码器）找到独立性并将结果映射到二维流形（平面图）上。每个患者都是这个平面上的一个点，这些点不是随机分布的；相反，它们是聚集的。在我们掌握的众多聚类算法中，我们使用 DBSCAN 聚类算法 [ 16 ]，因为将其应用于点可以识别出具有许多共同止痛药的鸡尾酒聚类。相互依赖性产生包含高效止痛药的聚类；正如我们下面讨论的那样，这一发现无法通过任何其他方式找到（有 61 种不同的止痛药鸡尾酒，总共 750×2 = 1500 种疼痛