摘要。用于调查,评估和预期气候变化,已经设计了数十个全球气候模型(GCM),每种都对地球系统进行建模略有不同。要从不同的模拟和输出中提取强大的信号,通常将模型收集到多模型集合(MME)中。然后以各种方式汇总这些内容,包括(可能加权的)多模型手段,中值或分位数。在这项工作中,我们引入了一种称为“ alpha Pooling”的新概率聚合方法,该方法构建了一个累积的累积分布函数(CDF),旨在在校准(历史)期间更接近参考CDF。然后可以使用聚合的CDF来对原始气候模拟进行偏置调整,因此进行“多模型偏置校正”。在实践中,每个CDF都是根据取决于参数α的非线性转换而转换的。然后,将重量分配给每个转换的CDF。此权重是CDF紧密度与参考转换的CDF的增加功能。键合的键是一个参数α,它描述了转化的类型,因此汇总的类型,将线性和对数线性池化方法均赋予。我们首先确定α池是通过验证某些最佳特性来适当的聚集方法。然后,着重于西欧温度和降水量的气候模型模拟,为了评估α汇合的性能,以针对当前可用的方法(包括多模型平均值和加权变体)的性能。基于重新分析的评估以及完美的模型实验以及对气候模型集的灵敏度分析。我们的发现证明了所提出的合并方法的优越性,表明α池提出了一种结合GCM CDF的有效方法。这项研究的结果还表明,我们对多模型偏置校正的CDF合并策略的独特概念是通常的by-GCM-GCM偏置校正方法的可靠替代方法,可以一次允许处理和考虑几种气候模型。
当疾病的流行程度较低时,池中所有样本呈阴性的概率很高,但随着流行程度的增加,这种方法会失效,如图 2a 所示。在这里,我们介绍了智能池,这是一种机器学习方法,可以提高池化测试策略的效率。智能池利用样本的临床和社会人口统计信息来估计它们对 COVID-19 检测呈阳性的概率。如图 2b 所示,我们的方法使用这些概率将所有样本安排到池中,以最大限度地提高在最多池中产生阴性结果的概率。也就是说,我们对样本进行分组,将阳性样本排除在池化过程之外,并在单独的测试中进行评估,从而减少对相同数量样本使用的测试次数。机器学习和回归模型已用于根据基因测序对新型病原体进行分类 [13]、支持 CT 扫描诊断 [14]、协助患者临床预后 [15] 以及预测大流行的演变 [16]。使用患者报告的症状和实验室测试结果训练的回归模型已用于根据症状预测感染 [17]。这些策略可能会损害敏感性和信心。相比之下,智能
摘要 — 功能性磁共振成像 (fMRI) 是一种常用的测量神经激活的技术。它在识别帕金森病、阿尔茨海默病和自闭症等潜在的神经退行性疾病方面尤为重要。最近对 fMRI 数据的分析将大脑建模为图形,并通过图神经网络 (GNN) 提取特征。然而,fMRI 数据的独特特性需要对 GNN 进行特殊的设计。定制 GNN 以生成有效且可领域解释的特征仍然具有挑战性。在本文中,我们提出了一种对比双注意块和一种可微分图池化方法(称为 ContrastPool),以更好地利用 GNN 进行大脑网络,满足 fMRI 特定的要求。我们将我们的方法应用于 3 种疾病的 5 个静息状态 fMRI 脑网络数据集,并证明了它优于最先进的基线。我们的案例研究证实,我们的方法提取的模式与神经科学文献中的领域知识相匹配,并揭示了直接而有趣的见解。我们的贡献凸显了 ContrastPool 在促进对大脑网络和神经退行性疾病的理解方面的潜力。源代码可在 https://github.com/AngusMonroe/ContrastPool 上找到。
供应系统,同时最小化配置而不会影响备份时间?换句话说,当UPS以冗余模式工作时,如何减少或消除冗余电池?锂离子电池广泛用于数据中心。根据整个生命周期(在其中更换了两次铅酸电池)计算得出的,锂离子电池的总成本非常接近铅酸电池。毫无疑问,如果使用具有高可靠性的首选体系结构(例如双电源系统),并且可以进一步降低锂离子电池的配置成本,那么在客户中促进锂离子电池解决方案并加速使用Lithium-iro-iro-iro-iro-ion仪的铅酸电池的替代。
现金池主要有两种形式。名义现金池允许子公司在合并余额以计算利息的同时维持单独的银行账户。它提供集中的流动性管理,无需实际转移资金,从而增强利息优化并降低管理复杂性。另一方面,实物现金池涉及将资金从子公司账户转移到中央现金池账户,提供最高级别的控制并优化流动性管理。它具有提高现金可见性、更顺畅的现金流运作和降低外部借贷成本等优势,但它可能会带来额外的管理任务和交易对手相关风险。然而,重要的是要考虑与公司间利息相关的潜在税收和法律影响,尤其是在印度尼西亚的背景下。
CHEP比世界上任何其他公司都做更多的事情,将更多的商品转移到更多地方。其托盘,板条箱和容器形成了全球供应链的无形骨干。世界上最大的品牌依靠CHEP更有效,可持续和安全地运输其产品。作为共享经济的先驱,Chep通过共享和重用其称为“ Pooling”的负载运营商的模型创建了世界上最可持续的物流公司之一。Chep致力于通过开创性再生供应链为地球和社会做出积极贡献。CHEP为快速移动的消费品提供服务(例如干货,食品,健康和个人护理产品),新鲜农产品和饮料,零售和一般制造业。该公司拥有约11,700名员工,并且通过多样性,包容性和团队合作牢固地基于价值,集体情报的力量是一种价值。大约3.6亿托盘,板条箱和容器归Chep拥有,分布在750多个服务中心网络上。这些为Procter&Gamble,Sysco和Nestlé等全球品牌提供了超过500,000个客户接触点。CHEP是Brambles集团的一部分,在北美和西欧业务最多的大约60个国家 /地区运营。
深度学习与自动定理证明相结合的最新进展主要集中在将逻辑公式表示为深度学习系统的输入。特别是,人们对采用结构感知神经方法来处理逻辑表达式的底层图形表示的兴趣日益浓厚。虽然基于图形的方法比字符和标记级方法更有效,但它们通常会做出表示权衡,从而限制其捕获输入的关键结构属性的能力。在这项工作中,我们提出了一种嵌入逻辑公式的新方法,旨在克服先前方法的表示限制。我们的架构适用于不同表达能力的逻辑;例如,一阶和高阶逻辑。我们在两个标准数据集上评估了我们的方法,并表明所提出的架构在前提选择和证明步骤分类方面都实现了最先进的性能。
摘要 — 近年来,脑网络被广泛用于研究脑动力学、脑发育和脑疾病。脑功能网络上的图形表示学习技术有助于发现临床表型和神经退行性疾病的新型生物标志物。然而,当前的图形学习技术在脑网络挖掘方面存在几个问题。首先,大多数当前的图形学习模型都是为无符号图设计的,这阻碍了许多有符号网络数据(例如脑功能网络)的分析。同时,脑网络数据的不足限制了模型在临床表型预测方面的表现。此外,目前的图形学习模型很少是可解释的,可能无法为模型结果提供生物学见解。在这里,我们提出了一个可解释的分层有符号图形表示学习模型来从脑功能网络中提取图形级表示,可用于不同的预测任务。为了进一步提高 17 模型性能,我们还提出了一种新策略来增强功能性脑网络数据以进行对比学习。19 我们使用来自 HCP 和 OASIS 的数据在不同的分类和 20 回归任务上评估了该框架。我们从大量实验中得出的结果证明了所提出的模型与几种最先进的技术相比的优越性。23 此外,我们使用从这些 24 预测任务中得出的图形显着性图来展示对 25 表型生物标志物的检测和解释。26
摘要:这项研究评估了一个地区合并热量需求的影响,目的是通过能源,自我,经济,经济经济和环境指标来提高热量生产单位,以及对投资和燃料成本的敏感性。The following production systems to satisfy the heat demands (domestic hot water production and space heating) of a mixed district composed of office (80%), residential (15%), and commercial (5%) buildings are considered: gas- and biomass-fired boilers, electric boilers and heat pumps (grid-powered or photovoltaic -powered), and solar thermal collectors.进行比较,检查了三种系统尺寸方法:在建筑规模,行业规模(住宅,办公室和商业)或地区规模上。对于所研究的配方,高降低的效果高达5%(能量和驱逐),所有系统的升级成本较低(20%至54%),高达55%的exergy销毁成本高达55%,并且高达5%的CO 2降低。总而言之,提高和需求汇总倾向于改善特定的效率,降低特定成本,通过峰值功率大小方法减少总投资,并减轻太阳能驱动系统中的时间不匹配。可能的缺点是由于分布网络而导致的额外热量损失,并且由于所需的温度较高而导致热泵的性能降低。尽管如此,在大多数情况下,优势胜过缺点。