XiaoMi-AI文件搜索系统
World File Search SystemMIMIC
马耳他影子经济分析：货币需求和 MIMIC 模型方法
1 Tiziana Marie Gauci 是马耳他银行研究办公室的高级研究经济学家。2 Noel Rapa 是马耳他银行研究办公室的首席研究经济学家。本文受益于副行长 Alexander Demarco、Aaron George Grech 博士和 Brian Micallef 博士的评论。作者感谢 Glenn Abela 提供的研究协助。本文表达的观点为作者的观点，并不一定反映马耳他中央银行的观点。任何剩余错误均由作者独自承担责任。
约旦的隐性经济：MIMIC 方法
摘要：本文采用多指标多原因 (MIMIC) 方法确定 1980 年至 2018 年期间约旦隐性经济的年度规模和增长情况。我们发现，约旦隐性经济的主要因果变量是：女性劳动力参与率、通货膨胀率、失业率、总税收和预算赤字。这些因果变量的增长增加了约旦的隐性经济。根据我们的研究结果，1980 年至 2018 年隐性经济的估计平均值占官方 GDP 的 17.6%。因此，它占官方 GDP 的很大一部分。此外，我们的结果表明约旦隐性经济的规模从 1980 年的 11.8% 增加到 2018 年的 22.4%。总体结果可以帮助约旦的政策制定者打击和减少隐性经济的规模。
合并学习：一种特定领域的无模型优化策略，并在元基准上进行验证
摘要对于许多机器学习模型，超参数的选择是实现高性能的关键一步。普遍的元学习方法集中于根据从先前任务中获得的结果获得有限的计算预算，以有限的计算预算获得良好的高参数配置。本文提出了调整问题的新形式，称为合并学习，更适合于模型开发人员面临的实用挑战，其中在类似的数据集中对大量的预测模型进行了处理。在这种设置中，我们对总优化时间感兴趣，而不是为单个任务调整。我们表明，精心选择的静态参数配置的静态组合可为任何时间优化带来良好的结果，同时既可以易于使用和实现。此外，我们指出了如何为特定域构建这样的投资组合。由于相似任务之间的超参数配置更有效地传递了优化的改进。我们通过对Xgboost Algo-Rithm的经验研究以及从MIMIC-IV医学数据库中提取的预测任务的新创建的基准基准来揭示这种方法的有效性。在论文中，我们表明，由于与许多机器学习应用方案的兼容性，合并学习的潜力要大得多。
从模拟IV临床注释
我们的目标是创建一个成功的NLP深度学习模型，以预测临床注意事项（即糖尿病和高血压）与肥胖相关的疾病。这对于从生物医学的角度从自动化机器学习领域很重要，并且可以改善健康成果的同时降低医疗保健成本（Waring等人，2020）;因为如果我们只能从临床笔记中预测常见的健康状况，则可以减少人工的数量。对于我们的临床注释数据集，我们使用MIMIC-IV，因为它是一个大型且免费的数据库，其中包括最近与识别健康相关的数据。我们比较和分析多个模型的性能以及预测糖尿病和高血压的优化。这些模型的变体包括弓，伯特，生物递送室（经过ICU放电摘要训练）和生物递减的逻辑上的重新介绍，并带有班级权重以应对班级的不平衡。我们的基线，数据预处理和图形生成代码是从头开始编写的，而其他型号进行了修改并调整了预审计模型的版本。