XiaoMi-AI文件搜索系统
World File Search SystemOOD
SmOOD：基于平滑度的飞机设计替代神经网络的分布外检测方法
航空工业一直在寻求在人力、计算时间和资源消耗方面更高效的设计优化方法。当代理模型和最终过渡到 HF 模型的切换机制都经过适当校准时，混合代理优化可以在提供快速设计评估的同时保持高质量结果。前馈神经网络 (FNN) 可以捕获高度非线性的输入-输出映射，从而产生有效的飞机性能因素替代品。然而，FNN 通常无法推广到分布外 (OOD) 样本，这阻碍了它们在关键飞机设计优化中的应用。通过基于平滑度的分布外检测方法 SmOOD，我们建议使用优化的 FNN 替代品对模型相关的 OOD 指标进行编码，以生成具有选择性但可信预测的可信代理模型。与传统的基于不确定性的方法不同，SmOOD 利用 HF 模拟固有的平滑特性，通过揭示其可疑的敏感性来有效地暴露 OOD，从而避免对 OOD 样本的不确定性估计过于自信。通过使用 SmOOD，只有高风险的 OOD 输入才会被转发到 HF 模型进行重新评估，从而以较低的间接成本获得更准确的结果。研究了三种飞机性能模型。结果表明，基于 FNN 的替代方法优于高斯过程替代方法
DrugOOD：人工智能辅助药物发现的分布外数据集管理和基准 - 重点关注带有噪声注释的亲和力预测问题
人工智能辅助药物发现 (AIDD) 因其能够使新药搜索更快、更便宜、更有效而越来越受欢迎。尽管它广泛应用于众多领域（例如 ADMET 预测、虚拟筛选），但对带噪声的分布外 (OOD) 学习问题的研究却很少。我们提出了 DrugOOD，一个系统的 OOD 数据集管理和 AIDD 基准。具体来说，我们专注于药物-靶标结合亲和力预测问题，其中涉及大分子（蛋白质靶标）和小分子（药物化合物）。DrugOOD 提供了一个自动化的数据集管理者，具有用户友好的自定义脚本、与生物化学知识一致的丰富领域注释、逼真的噪声水平注释以及 SOTA OOD 算法的严格基准测试，而不是仅提供固定数据集。由于分子数据通常使用图神经网络 (GNN) 主干建模为不规则图，因此 DrugOOD 还可作为图 OOD 学习问题的宝贵试验台。大量的实证研究表明，分布内和分布外实验之间存在显著的性能差距，这强调了需要开发更有效的方案，以允许 AIDD 在噪声下进行 OOD 泛化。
![arxiv：2502.15833v1 [cs.lg] 2025年2月20日](/simg/5\59f5f13f4fdef74701885114f592a0a1f97497c3.webp)
arxiv：2502.15833v1 [cs.lg] 2025年2月20日
在机器学习的领域中，在现实世界中通常会违反培训和测试数据共享相同分布的假设，需要有效的分布（OOD）检测。本文提出了一种新型的OOD检测方法，该方法利用了Kolmogorov-Arnold Networks（KANS）的独特局部神经塑性特性。与传统的多层感知者不同，堪萨斯州的当地可塑性，使他们能够在适应新任务的同时保留学习的信息。我们的方法比较了训练有素的KAN与未经训练的对应物的激活模式以检测OOD样品。我们验证了图像和医疗领域的基准测试基准，与最新技术相比，表现出卓越的性能和鲁棒性。这些结果强调了KAN在增强机器学习系统在不同环境中的可靠性方面的潜力。
尊敬的史蒂文·吉尔贝尔特
•对温室气体排放的贡献以及对土地利用变化的气候变化的影响（即，荒野生态系统破坏释放出来的排放）和该地区的车辆排放量增加。•由于拟议的北停车场位于平原和混凝土中所提议的北停车场的潜在贡献，而混凝土的北部停车场则不会以与本地土壤和植被相同的速度吸收水。（即，用混凝土代替本地植被可能会导致在流动事件中更快地移动水的侵蚀）。•与拟议的多模式运输相关的风险。ARP的目的是开发多模式运输，并明确包括提及客车。但海的范围不包括对大众客运轨道的引用。这意味着该地区增加火车活动（以及相关干扰）的潜在影响可能被排除在环境评估之外。
防洪战略的演变：走向自然——...
摘要：防洪策略已从硬工程系统演变为基于自然的解决方案，这些解决方案提倡可持续性，以满足当今的环境、社会和经济目标。本文旨在分析导致基于自然的解决方案的防洪策略的历史进程和演变趋势。进行了评估性文献综述，以叙述针对不同洪水类型、河流洪水、沿海洪水和雨水径流的基于自然的洪水管理方法的演变。分析反映了三个演变趋势：硬措施向软措施的转变；其次，社会对生态系统及其服务的关注度增加；最后，从单一功能解决方案向多功能解决方案的分化。然而，持续监测和评估以前的项目并适应所吸取的教训是朝着可持续洪水管理战略及其社会接受度迈进的关键。
降低建筑物遭受洪水破坏的可能性
在 20 世纪 90 年代初的研究中，人们首次意识到在霍克斯伯里-内皮恩河发生严重洪灾后，沃拉甘巴大坝下游的洪泛区可能出现严重的洪灾破坏和损失。需要制定一项战略，以确保一旦发生洪灾，所有人员和经济损失都降至最低。新南威尔士州政府已为霍克斯伯里-内皮恩洪泛区管理战略拨款 7100 多万美元，以应对洪灾风险。由主要政府机构、地方议会和社区代表组成的指导委员会负责监督该战略的实施。在委员会的指导下，已经实施了改进的洪灾预警和应急措施、升级的疏散路线、恢复规划和区域洪泛区管理研究。
1-x} {\ rm sr} _x {\ rm cufeo} _5 $ liaed perovskites
摘要。对于一系列应用，例如现在施放或处理大型降雨集合以进行不确定性分析，快速的城市植物浮动模型是必需的。 数据驱动的模型可以帮助克服传统流量模拟模型的漫长计算时间，而最先进的模型已显示出有希望的准确性。 然而，由于城市流量映射所需的细分解决方案，数据驱动的城市浮游模型的普遍性对于看不见的降雨和明显不同的地形，仍然限制了他们的应用。 这些模型通常采用基于补丁的框架来克服多个瓶颈，例如数据可用性，计算和磁性约束。 但是，这种方法不包含围绕小图像贴片的地形的上下文信息（通常为256m×256m）。 我们提出了一个新的深度学习模型，该模型维持了局部斑块的高分辨率构成，并结合了更大的环形区域，以增加模型的视觉范围，以增强数据驱动的UR-ban Pluvial pluvial流量模型的普遍性。 我们以1 m的空间分辨率在苏黎世市（瑞士）培训并测试了该模型，在5分钟的时间分辨率下进行了1小时的降雨事件。 我们证明，我们的模型可以忠实地代表各种降雨事件的浮游深度，高峰降雨强度范围为42.5至161.4 mmh -1。 然后，我们在不同的城市环境中，即卢塞恩（瑞士）和新加坡，在不同的城市环境中提出了模型的地形概括。快速的城市植物浮动模型是必需的。数据驱动的模型可以帮助克服传统流量模拟模型的漫长计算时间，而最先进的模型已显示出有希望的准确性。然而，由于城市流量映射所需的细分解决方案，数据驱动的城市浮游模型的普遍性对于看不见的降雨和明显不同的地形，仍然限制了他们的应用。这些模型通常采用基于补丁的框架来克服多个瓶颈，例如数据可用性，计算和磁性约束。但是，这种方法不包含围绕小图像贴片的地形的上下文信息（通常为256m×256m）。我们提出了一个新的深度学习模型，该模型维持了局部斑块的高分辨率构成，并结合了更大的环形区域，以增加模型的视觉范围，以增强数据驱动的UR-ban Pluvial pluvial流量模型的普遍性。我们以1 m的空间分辨率在苏黎世市（瑞士）培训并测试了该模型，在5分钟的时间分辨率下进行了1小时的降雨事件。我们证明，我们的模型可以忠实地代表各种降雨事件的浮游深度，高峰降雨强度范围为42.5至161.4 mmh -1。然后，我们在不同的城市环境中，即卢塞恩（瑞士）和新加坡，在不同的城市环境中提出了模型的地形概括。该模型准确地识别了水积累的位置，与其他深度
经过验证的概率方法来估计洪水直接...
摘要。本研究介绍了在欧盟 H2020 欧洲沿海洪水预警系统 (ECFAS) 项目中开发的用于评估沿海洪水影响的方法，用于评估洪水对欧洲沿海人口、建筑物和道路的直接影响。该方法整合了基于对象的评估和概率评估，为损害评估提供不确定性估计。该方法经历了一个用户驱动的共同评估过程。它已应用于欧洲各地的 16 个测试案例，并根据三个主要参考案例中报告的影响数据进行了验证：2010 年法国拉福特苏梅尔的 Xynthia、2013 年英国诺福克的 Xaver 和 2018 年西班牙加的斯的 Emma。还与基于网格的损害评估方法进行了比较。研究结果表明，与传统的基于网格的方法相比，EC-FAS 影响方法为受影响人口提供了有价值的估计，为建筑物和道路提供了可靠的损害评估，并且准确性更高。该方法还为预防和准备活动提供了信息，并有助于进一步评估风险情景和对灾害风险减少战略进行成本效益分析。该方法是一种适用于大规模沿海洪水影响评估的工具，为沿海洪水预报提供了更高的准确性和可操作性。它代表了欧洲洪水意识系统 (EFAS) 用于河流洪水预警的现有欧洲规模影响方法的潜在进步。基于对象和基于模型的集成
NFM研究基金
在整个报告的整个开发过程中，许多利益相关者经常强调，保险部门可以通过作为潜在的降低流量风险的买家与其他私营部门业务一起的潜在购买者来帮助提供自然流量管理，因为保险人可能会增加由于气候变化而增加的风险，因此，保险人可能会增加支付的付款，而保险人可能会增加支付的费用。从报告之后，绿色金融研究所和战略工作组与保险公司合作，评估该行业在通过NFM降低的流量风险中的潜在作用。在圆桌会议，研讨会和对保险业的一对一采访之后，很明显，目前，尽管人们对未来的风险增加了广泛的认可，但市场机制仍未激励保险人支付降低风险风险的费用 - 至少只要以可提供的每年可获得的风险覆盖，就可以提供可提供的每年流量风险。说，保险公司有兴趣更多地了解NFM及其作为风险管理技术的作用，该技术可以提供更广泛的环境和社会利益。有一些例子表明，保险公司通过企业社会责任（CSR）和/或可持续性计划积极支持NFM项目，其中一项选择包括在本文的案例研究部分中。
评估分子的机器学习模型...
脚手架（1）生成bemis-murcko脚手架22均具有rdkit（Murckoscaffold.getScaffoldormol）的所有化合物的22脚手架（所有原子转化为碳原子，所有键，所有键）分子量（1）使用RDKIT（RDMOLDESCRIPTORS.CALCEXACTMOLWT）计算每种化合物的分子量（2）通过分子重量（3）分配摩尔重量（3）为OOD的重量（3）分类化合物，以将80％（最高重量）分配给OOD级别（最高重量），以将80％（最高的重量）分配给Rebore solec s Molec（最高重量）重量分裂，仅在步骤3中，将Botm-Tom 20％（最低权重）分配给OOD测试集，并将其余的80％分配给ID数据集分子分子分子logp（1）使用RDKIT（Descriptors.mollogp.mollogp）计算每种化合物的clogp（2）clogp值（2）将clogp值（3）分配给最高clogp and clogp值（3），并将clogp-emean（3）分配给最高的clogp clogp，并将clogp值（3）分配给最高的clogp clogp值（3）聚类（1）生成ECFP指纹（半径= 2，2048位）