XiaoMi-AI文件搜索系统
World File Search SystemOOD
在分子图中优化OOD检测
尽管分子表示学习最近取得了进展，但其有效性还是在近世界的假设上假定的，即训练和测试图来自相同的分布。开放世界测试数据集通常与分布（OOD）样本混合在一起，在该样本中，部署的模型将难以做出准确的预测。在药物筛查或设计中分子特性的误导性估计会导致湿lab资源的大量浪费并延迟发现新疗法的发现。传统检测方法需要对OOD检测和分布（ID）分类性能进行贸易，因为它们共享相同的表示模型。在这项工作中，我们建议通过采用基于辅助扩散模型的框架来解析OOD分子，该框架比较了输入分子和重建图之间的相似性。由于产生构建ID训练样品的产生偏见，OOD分子的相似性得分将要低得多以促进检测。尽管在概念上很简单，但将此香草框架扩展到实际检测应用程序仍然受到两个重大挑战的限制。首先，基于欧几里得距离的流行相似性指标无法考虑复杂的图形结构。第二，涉及迭代脱氧步骤的属性模型众所周知，尤其是在大量药物库上运行时。为了应对这些挑战，我们的研究先驱者是一种旋转型G raph r生态建构的方法，该方法被称为pgr-mood。具体来说，PGR-MOOD取决于三个创新：i）一个有效的指标，可根据离散的边缘和连续节点特征全面量化输入和重建分子的匹配程度； ii）构建
ML研究人员对OOD检测的虚假性
OOD代理中引入的大多数作品都使用“失败”或一些类似的词来描述Nalisnick等人报道的现象。[6]。他们根据背景统计，本地功能或数据复杂性提出了解决方案或补丁，以“解决问题”；所有人都有最终形式的可能性比率。根据Bishop [1]，正如我们在比较两个分布时所讨论的那样，基于密度的OOD检测是基于似然比率的OOD检测的一种特殊情况。因此，我们强调的是，似然比不是固定基于密度检测的黑客攻击，而是检测OOD的原则方法。
试点 OCE/OOD 标准安全数据请求 v1.3
安全性人群：接受至少一剂研究药物的患者，即使随机分配到对照组并错误用药。（出于安全性考虑而服用错误药物的患者应在他们实际接受的治疗组中进行分析。）治疗中出现的不良事件 (TEAE)：在第一次药物治疗时或之后，直至最后一次服用研究药物后 30 天或开始后续治疗的前一天（以先到者为准），安全性人群中发生的新事件或恶化事件。在最后一次服用研究药物后 30 天以上开始的、由申办方确定与研究药物相关的不良事件也应被视为 TEAE。描述同一事件的不良事件记录应相互关联（例如，如果受试者的胰腺炎在最后一次服用研究药物后第 25 天开始为 4 级，而在最后一次服用研究药物后第 35 天受试者的胰腺炎为 5 级，则这些记录应相互关联，并且两者都应标记为 TEAE。）
基于机器学习的建模框架的转移性在沿海地区的最大河水深度
摘要。尽管使用机器学习（ML）模型来预测浮球，但尚未探索其用于未示例数据的可传递性。本文开发了一种基于ML的模型，用于在沿海流域的重大事件中最大程度地介绍最大河水深度，并评估其在其他事件（样本外）中的可传递性。该模型考虑了侵入因子的空间分布，这些因素解释了基本的物理过程，从而使最大的河水深度最大。我们的模型评估在美国东北部的六位数水文统一代码（HUC6）中显示，该模型在一个重大漏斗事件中，在116个河流仪表仪上令人满意的最大后播在116个河流仪表中，飓风IDA（r 2 of 0.94 of 0.94）。预先训练的，经过验证的模型已成功转移到其他三个主要的浮动事件，飓风以赛亚，桑迪和艾琳（r 2>0。70）。我们的结果表明，当由相关特征的空间分布，它们的相互作用以及沿海流域的基本物理过程的空间分布告知时，基于ML的模块可以转移最大河水深度。
基于模型的气候变化影响对德国北海海岸内陆风险风险的影响是由风暴潮和降水E
摘要。除了风暴潮外，由于强烈的降雨而引起的内陆流量已成为沿海低地的威胁越来越大。尤其是，两种类型的事件的巧合对区域水板构成了巨大挑战，因为它们的技术排水能力有限。在这项研究中，我们分析了基于历史数据和基于场景的模拟，以在德国北海海岸附近的Emden附近敲门。对观察到的内陆流量事件的评估表明，主要是中等风暴潮汐系列与大规模，强烈的降水结合在一起，导致内陆排水系统过载，而单独的最高单个风暴潮或降水事件可以很好地处理。风险管理需要气候预测。因此，建立了水文和水动力海洋模型，并由相同的气候模拟驱动，以估计未来的排水系统过载。对两个气候模型的控制周期的仿真评估可以证实模型可以重现化合物事件的生成机制。风暴潮和降水的巧合导致排水系统的最高载荷，而系统的超负荷也是由一致的降雨事件引起的，而不是由没有强烈降水的暴风雨潮。与过去相当，未来的com-的场景投影基于两个晶体模型和两个排放场景表明，与RCP22.6场景相比，RCP8.5 Scesario的降雨和风暴潮的复合事件将始终如一地与所有研究气候预测的平均海平面上升的背景相比，而模拟系统的过载较高，而RCP8.5 Scesario的模拟系统过载更高。
改善通过多项式表示自主驾驶的轨迹预测的分布外概括
摘要 - 针对分布（OOD）样本的鲁棒性是轨迹预测模型的关键性能指标。但是，最先进（SOTA）模型的开发和排名是由其在单个竞争数据集上的分布（ID）性能驱动的。我们提出了一个OOD测试协议，该协议在两个大规模运动数据集中均质化数据集和预测任务。，我们基于模型的输入和输出侧的代理轨迹和道路几何形状的多项式表示引入了一种新颖的预测算法。随着模型大小，训练工作和推理时间的较小，我们到达Sota Performence进行ID测试，并显着提高OOD测试中的鲁棒性。在我们的OOD测试方案中，我们进一步研究了SOTA模型的两种增强策略及其对模型概括的影响。强调ID和OOD性能之间的对比度，建议将OOD测试添加到轨迹预测模型的评估标准中。
数字病理中分布外检测的扩散模型
检测异常的能力，即在培训或分发期间看不到的任何内容（OOD）在医学成像应用中对于成功部署机器学习系统至关重要。使用无监督的学习过滤OOD数据特别有希望，因为它不需要昂贵的注释。基于deo的扩散概率模型（DDPM）的新型模型，称为阳极，阳极，最近在无监督的OOD检测中取得了重大进展。这项工作为数字病理中无监督的OOD检测方法提供了基准。通过利用快速采样技术，我们将阳极在足够大的尺度上应用阳极，以在Camelyon16挑战的完整测试集上进行全面的图像分析。基于ROC分析，我们表明，在两个补丁级的OOD检测任务上，ANODDPMS可以检测到OOD数据，最高为94.13和86.93，表现优于其他无人研究的方法。我们观察到阳极改变了输入的语义特性，用更良性的组织代替了异常数据。此外，我们通过评估具有不同信噪比的输入的重建误差来强调阳极对不同信息瓶颈的灵活性。尽管有完全监督的学习仍然存在显着的性能差距，但在数字病理学中的OOD检测领域表现出了巨大的希望。
MOOD 2020：医学图像分布外检测与定位的公共基准
摘要 — 检测分布外 (OoD) 数据是医学领域中安全且稳健地部署机器学习算法的最大挑战之一。当算法遇到偏离训练数据分布的案例时，它们通常会产生不正确且过于自信的预测。OoD 检测算法旨在通过分析数据分布和检测潜在的失败实例来提前捕获错误预测。此外，标记 OoD 案例可能有助于人类读者识别偶然发现。由于人们对 OoD 算法的兴趣日益浓厚，最近已经为不同领域建立了基准。在医学成像领域，可靠的预测通常至关重要，因此一直缺少一个开放的基准。我们推出医学分布外分析挑战赛 (MOOD) 作为医学成像领域 OoD 方法的开放、公平、公正的基准。对所提交算法的分析表明，性能与感知难度呈很强的正相关性，并且所有算法对于不同的异常都表现出很大的差异，因此很难推荐
减少局部洪水造成的损失 - FEMA
A 区是指社区洪水保险费率图上显示的特殊洪水灾害区。A 区是百年一遇洪水期间可能被淹没的区域，即每年有 1% 的概率达到或超过洪水高度。A 区有几种类别，包括 AO（浅层流或积水；显示平均洪水深度）；AH 区（浅层洪水；显示洪水基准高度）；编号 A 区和 AE 区（显示洪水基准高度）；以及未编号 A 区（由于未进行详细的水力分析，因此未提供洪水基准高度）。
观点 基于 AI/ML 的霍克斯伯里-尼皮恩谷养老院灾难响应和受害者疏散策略：观点
摘要：霍克斯伯里-内皮恩谷是澳大利亚最长的沿海集水区，河流系统绵延 470 多公里，从古尔本流向布罗肯湾，总面积超过 220 万公顷。该地区一直容易发生洪灾，经常造成大量人员死亡、经济损失和基础设施损失。该地区的地形、自然多变的气候条件和“浴缸”效应是造成洪灾频繁发生的原因。为此，国家/联邦、州和地方政府一直致力于设计有效的洪灾风险管理策略，并为洪灾期间脆弱社区从医院、学校、托儿所和养老院撤离制定适当的疏散计划。尽管有这些总体计划，但专门的应对和疏散养老院计划对于减少该地区洪灾造成的损失至关重要。这是本文的重点，它回顾了洪水事件的历史及其应对措施，然后研究了在洪水事件期间利用人工智能 (AI) 技术克服洪水风险的方法。建议采用基于人工智能/机器学习 (ML) 策略的早期洪水预警系统，以便及时做出决策，增强灾害预测、评估和响应，以克服霍克斯伯里-内皮恩地区老年护理机构面临的洪水风险。提出了一个框架，其中包含人工智能/机器学习方法，用于使用无人机和路径规划确定到达目的地的最安全路线，以便及时应对灾害并疏散老年护理机构的居民。