XiaoMi-AI文件搜索系统
World File Search SystemKolmogorov
![arxiv：2502.04210v1 [cs.lg] 2025年2月6日](/simg/g:\will\search\icon\source\e\e1ea1b3f806283bce4c06a8eedadbb1b6296419a.webp)
arxiv：2502.04210v1 [cs.lg] 2025年2月6日
我们探索因果关系，对称性和压缩之间的关系。我们基于学习和压缩之间的已知连接与因果模型无法识别的设置之间的已知联系。我们提出了一个框架，在该框架中由于多种环境压缩数据而出现因果关系。我们将算法因果关系定义为因果关系的替代定义。我们证明了算法因果关系和对称结构如何从最小化Kolmogorov复杂性上的上限的情况下出现，而无需干预目标。我们假设这些见解还可以提供有关机器学习模型中因果关系（例如大语言模型）的出现的新观点，在这些模型中，因果关系可能无法明确鉴定。关键字：算法因果关系，压缩，对称性，Kolmogorov复杂性
随机性，交换性和保形预测
随机性的功能理论是在Vovk [2020]中以非算力的随机性理论的名义提出的。Ran-Domness的算法理论是由Kolmogorov于1960年代启动的[Kolmogorov，1968年]，并已在许多论文和书籍中开发（例如，参见Shen等人。2017）。它一直是直觉的强大来源，但其弱点是对特定通用部分可计算函数的选择的依赖性，这导致其数学结果中存在未指定的加性（有时是乘法）常数。Kolmogorov [1965，Sect。 3] speculated that for natural universal partial computable functions the additive constants will be in hun- dreds rather than in tens of thousands of bits, but this accuracy is very far from being sufficient in machine-learning and statistical applications (an addi- tive constant of 100 in the definition of Kolmogorov complexity leads to the astronomical multiplicative constant of 2 100 in the corresponding p-value). 与VOVK [2020]中提出的未指定常数打交道的方式是表达有关随机性算法作为各种函数类之间关系的算法。 它将在教派中引入。 2。 在本文中，我们将这种方法称为随机性的功能理论。 虽然它在直观的简单性方面失去了一定的损失，但它越来越接近实用的机器学习和统计数据。 读者将不会假设对随机性算法理论的形式知识。 在本文中，我们有兴趣将随机性的功能理论应用于预测。 3。Kolmogorov [1965，Sect。3] speculated that for natural universal partial computable functions the additive constants will be in hun- dreds rather than in tens of thousands of bits, but this accuracy is very far from being sufficient in machine-learning and statistical applications (an addi- tive constant of 100 in the definition of Kolmogorov complexity leads to the astronomical multiplicative constant of 2 100 in the corresponding p-value).与VOVK [2020]中提出的未指定常数打交道的方式是表达有关随机性算法作为各种函数类之间关系的算法。它将在教派中引入。2。在本文中，我们将这种方法称为随机性的功能理论。虽然它在直观的简单性方面失去了一定的损失，但它越来越接近实用的机器学习和统计数据。读者将不会假设对随机性算法理论的形式知识。在本文中，我们有兴趣将随机性的功能理论应用于预测。3。机器学习中最标准的假设是随机性：我们假设观察值是以IID方式生成的（独立且分布相同）。先验弱的假设是交换性的假设，尽管对于无限的数据序列而言，随机性和交换性证明与著名的de Finetti代表定理本质上是等效的。对于有限序列，差异是重要的，这将是我们教派的主题。我们开始讨论在教派中预测的随机性功能理论的应用。2。在其中介绍了置信度预言的概念（稍微修改和推广Vovk等人的术语。2022，Sect。2.1.6）。然后，我们根据三个二分法确定八种置信预测因素：
三维数值湍流瑞利-贝纳德对流中能量通量的弱公式和缩放特性
我们应用 Boussinesq 方程的弱形式来表征非常精确的数值模拟中势能、动能和粘性能通量的平均值和标准差的缩放特性。研究了局部 Bolgiano-Oboukhov (BO) 长度，发现其值可能在整个域内发生数量级的变化，这与之前的结果一致。然后，我们研究了弱方程的逐尺度平均项，它们是 Kármán-Howarth-Monin 和 Yaglom 方程的推广。我们没有发现经典的 BO 图像，但发现了 BO 和 Kolmogorov 缩放混合的证据。特别是，所有能量通量都与温度的 BO 局部 Hölder 指数和速度的 Kolmogorov 41 兼容。这种行为可能与各向异性和对流的强烈异质性有关，这反映在 BO 局部尺度的广泛分布中。逐尺度分析还使我们能够将从其定义计算出的理论 BO 长度与通过弱分析获得的缩放经验提取的理论 BO 长度进行比较。可以观察到缩放，但范围有限。这项工作的关键结果是表明问题的局部弱公式分析对于表征波动特性非常有用。
患有发展性计算障碍的儿童大脑中数字处理和记忆区域的结构协方差增加
注：首先通过 Kolmogorov-Smirnov 检验对各个组进行正态分布检验。对于正态分布数据，平均值、标准差 ( SD ) 和 p 值基于双样本 t 检验。如果在一个或两个组中违反了正态性假设，则列出中位数和四分位距 (IQR)，并执行 Mann-Whitney U 检验（用 U 表示）。对于名义数据，对性别执行 Fisher 精确检验（用 F 表示），对惯用手执行似然比（用 L 表示）。
对由...引起的抖动的初步调查
I. 简介 激光束在大气中的传播与光通信、成像和定向能系统 [1,2,3,4] 相关。大气介质中折射率的统计随机波动会损害这些系统的功能和运行 [1]。光束控制系统的功能之一是跟踪和保持目标上的瞄准点，使抖动值小于 λ/D，其中 λ 是激光波长，D 是激光束直径或出射光瞳处的孔径。其他研究人员 [例如，见 5] 已经认识到，穿过湍流大气的运动会对激光束产生抖动或整体角运动。大气由大小从数百米到毫米不等的湍流结构组成。由风切变和热羽流产生的大气大尺度结构会产生称为外尺度的涡旋结构。在最小尺度的湍流中，能量通过粘性作用而消散。最大尺度和最小尺度之间是惯性子范围，其中湍流被认为是各向同性的，并且适用柯尔莫哥洛夫理论。研究表明，柯尔莫哥洛夫速度扰动与密度变化有关，因此，密度变化通过格拉德斯通-戴尔关系线性地引起折射率波动。这些变化由折射率结构函数 𝐶 𝑛 量化
![arxiv：2310.08556v4 [cond-mat.mes-hall] 2025年1月2日](/simg/g:\will\search\icon\source\0\01d371b0338380f2a7202201b8163ddc10e467a7.webp)
arxiv：2310.08556v4 [cond-mat.mes-hall] 2025年1月2日
金属中传输系数的线性温度依赖性通常归因于非液体物理学。 在这里，我们证明了在干净的2D电子流体中非局部电导率的T线性行为，其中载波碰撞有助于传导并导致电导性的流体动力传输，而不是随着温度而增长的电阻。 关键方面是出现多个流体动力模式，代表费米表面在时空中演变的奇数调制。 这种模式的级联导致线性t依赖性延伸至最低温度，以及像kolmogorov一样的分数幂-5 / 3的电导率缩放与波量。 这些依赖性为通过这种模式驱动的非经典水动力学提供了吸烟枪，预计将对具有简单近圆形费米表面的2D电子流体通用。金属中传输系数的线性温度依赖性通常归因于非液体物理学。在这里，我们证明了在干净的2D电子流体中非局部电导率的T线性行为，其中载波碰撞有助于传导并导致电导性的流体动力传输，而不是随着温度而增长的电阻。关键方面是出现多个流体动力模式，代表费米表面在时空中演变的奇数调制。这种模式的级联导致线性t依赖性延伸至最低温度，以及像kolmogorov一样的分数幂-5 / 3的电导率缩放与波量。这些依赖性为通过这种模式驱动的非经典水动力学提供了吸烟枪，预计将对具有简单近圆形费米表面的2D电子流体通用。
走向模拟模型复杂性测量 - AFIT 学者
摘要：是否有可能开发出一种有意义的方法来衡量模拟模型的复杂性？算法信息论提供了已应用于其他研究领域的概念，用于实际测量对象复杂性。本文从多个角度概述了复杂性，并提供了有关模拟模型复杂性的知识体系。定义了关键术语模型细节、分辨率和范围。算法信息论中的一个重要概念 Kolmogorov 复杂性和该概念的一个应用规范化压缩距离用于表示测量模型细节变化的可能性。该领域的进一步研究可以推动建模和仿真知识体系向测量模拟模型复杂性的实际应用迈进。示例表明，模拟模型的 KC 和 NCD 测量可以检测到范围和细节的变化。
