XiaoMi-AI文件搜索系统
World File Search SystemPrediction
原始研究纸机学习基于4G LTE网络中的流量预测。喀麦隆移动运营商的案例研究
摘要：移动订户越来越多地要求宽带服务的可用性，而无线电资源允许连接它们的无线电资源是有限的。了解移动互联网消费趋势和订户流量需求对于实现现有无线电资源的管理至关重要。但是，由于移动网络的复杂性，可能很难理解和描述移动用户的数据使用模式。在这项研究中，我们研究和表征移动网络中的数据使用模式和用户行为以执行流量需求预测。我们利用了通过历史电信运营商（HTO）网络的移动网络测量和计费平台收集的数据集，称为U2020/MAE。我们阐明了不同的网络因素，并通过将HTO的移动用户作为用例来研究它们如何影响数据使用模式。然后，我们将移动用户的数据使用模式进行比较，考虑到总数据消耗，网络访问，每个用户创建的会话数，吞吐量和用户满意度级别与服务。最后，我们提出了一个使用机器学习模型来使用HTO数据来预测流量需求的应用程序。关键字：LTE核心网络，流量，机器学习，预测简介
敏感性：在结构化的OMICS数据上利用生成的大语言模型来优化药物敏感性预测
摘要目的：癌细胞系的大量药物基因组学数据的快速积累为药物敏感性预测（DSP）提供了前所未有的机会，这是促进精度肿瘤学的关键先决条件。最近，生成的大语言模型（LLM）表明了自然语言处理领域（NLP）领域的各种任务的性能和概括。然而，药物基因组学数据的结构化格式对DSP中LLM的实用性提出了挑战。因此，这项研究的目的是多重的：适应结构化药物基因组学数据的及时工程，以优化LLM的DSP性能，评估LLM在现实世界DSP方案中的概括，并比较LLM的DSP性能与目前的Science-Science Baselines。方法：我们系统地研究了生成性预训练的变压器（GPT）作为四个公开基准药物基因组学数据集的DSP模型，这些模型由五种癌症组织类型的细胞系和肿瘤学和非综合药物进行分层。本质上，通过四个学习范式评估了GPT的预测格局在DSP任务中的有效性：零射击学习，几乎没有学习，微调和聚类预处理的嵌入。通过实施三个及时的模板（即指令，指导，预定，披肩）并将与药剂基因组相关的特征集成到提示中，为了促进GPT无缝处理结构化的药物基因组学数据，采用了域特异性新颖的及时工程。与最先进的DSP基准相比，GPT主张了卓越的F1性能我们验证了GPT在不同的现实世界DSP方案中的表现：跨组织概括，盲试和药物校园关联的分析以及顶级灵敏/抗性细胞系。此外，我们对GPT进行了比较评估，该评估是针对多个基于变压器的预验证模型和现有的DSP基准的。结果：在五个组织组的药物基因组学数据集上进行的广泛实验表明，微调GPT会产生最佳的DSP性能（28％F1增加，P值= 0.0003），然后群集预处理的GPT嵌入了GPT嵌入（26％F1增加，P-value = 0.0005），很少有gpt（I.但是，在零射击设置中的GPT具有很大的F1间隙，导致表现最差。在迅速工程的范围内，通过直接指导GPT有关DSP任务并诉诸简洁上下文格式（即指令 - 预备）来实现性能提高，从而导致F1性能增长22％；同时，从基因组学和/或分子特征衍生出的药物细胞线及时及格环境将F1得分进一步提高了2％。
自主驾驶系统中即时软件缺陷预测的多模式学习
摘要 - 近年来，自主驾驶技术的兴起强调了可靠软件在确保安全和性能方面的重要性。本文提出了一种使用多模式学习的自动驾驶软件系统中即时软件缺陷预测（JIT-SDP）的新方法。提出的模型利用了多模式变压器，其中预训练的变压器和组合模块与软件系统数据集的多个数据模式相结合，例如代码功能，更改指标和上下文信息。适应多模式学习的关键点是利用不同数据模式（例如文本，数值和分类）之间的注意机制。在组合模块中，在文本数据和包含分类数据和数值数据的表格数据和表格特征上的输出组合在一起，以使用完全连接的层产生预测。对从GitHub存储库（Apollo，Carla和Donkeycar）收集的三个开源自动驾驶系统软件项目进行的实验表明，拟议的方法显着超过了有关评估指标的最先进的深度学习和机器学习模型。我们的发现突出了多模式学习的潜力，以通过改进的缺陷预测来增强自主驾驶软件的可靠性和安全性。
使用个性化优势指数
电抽搐治疗（ECT）和氯胺酮是抑郁症的有效疗法；但是，需要基于证据的指南来为个人治疗选择提供信息。我们使用机器学习调整了个性化的优势指数（PAI），以使用2506 ECT和196名氯胺酮患者的EHR数据来预测最佳的治疗分配或氯胺酮。在急性治疗之前和期间，使用抑郁症状（QID）的快速清单评估了抑郁症状。使用跨处理的倾向评分匹配用于解决指示的混杂问题，从而产生392例患者的样本（每次治疗n = 196）。模型预测使用预处理EHR测量值和鉴定的规范性预测因子的差异最小QID得分（最小值）在急性治疗中进行了急性处理。与非最佳治疗组相比，接受预测最佳的PAI评分的患者的最低点数明显降低（平均差异= 1.19 [95％CI：0.32，∞]，T = 2.25，Q <0.05，d = 0.26）。我们的模型识别候选预处理因素，以提供可行，有效的抗抑郁治疗选择指南。
动态分类：利用自我监督的分类来增强预测性能
在本文中，我们提出了一种创新的动态分类算法，旨在实现零遗漏的检测和最小误报的观察。使用监督模型将数据分配到N当量的训练子集和n个预测子集中，然后是n个单独的预测模型的独立预测。这使每个预测模型都可以在较小的数据范围内运行，从而提高了整体准确性。此外，该算法利用通过监督学习生成的数据来进一步完善预测结果，滤除未满足准确性要求的预测，而无需引入其他模型。实验性调查表明，当数据分配误差最小时，动态分类算法实现了出色的性能，而零遗漏的检测和最小的假阳性，则显着超过了现有的模型结合体。即使在分类错误较大的情况下，算法仍然可以与最新模型相提并论。这项研究的关键创新包括自我监督的分类学习，小范围子集预测的使用以及直接拒绝不合格的预测。虽然当前的算法在自动参数调整和分类模型效率方面仍然有改进的空间，但它在多个数据集中表现出出色的性能。未来的研究将着重于优化分类组件，以进一步增强算法的鲁棒性和适应性。
多传感器数据融合，以改善物理量的估计和预测
最重要的是，我对全能的真主表示最深切的感谢，他的无限怜悯和无限的恩典在整个旅程中引导了我。我还要对我的主管教授扬·伦德格伦（Jan Lundgren）教授和共同裁员马蒂亚斯·奥尼尔斯（Mattias O'Nils）教授的坚定支持，指导和鼓励。他们的指导一直在我从工程师转变为研究人员的转变中发挥了作用，使我有能力以有意义的方式为社会做出贡献。我对孟加特·奥尔曼（Bengt Oelmann）的审查并提供了宝贵的反馈。我衷心感谢我在该部门的同事们的持续支持，协作精神和表现的行政援助。最后，对我的父母做了无数牺牲以支持我的旅程。您应该得到一切，我很自豪地说您是世界上最好的父母。对我的妻子和两个男孩，他们对我的爱与信仰是我最大的力量。在我们分享的每一刻，我都非常感谢。愿这些记忆是时间的标记，共同度过了良好的时间。
效果和预测应用的算法方法论
尽管辅助生育医学技术的发展，但专家认为阳性妊娠事件（GR +）的成功率被认为是低的。本文将介绍的科学独创性集中在于基于多个和二进制逻辑回归的其他预测算法；这是为了强调怀孕事件的存在或不存在。很明显，出于预测目的，这种回归方式是广泛的。的确，我们可以以无尽的方式引用使用领域：医学，保险，银行，运输，计量经济学等。将用于领导这项研究的数据是荧光基因的转录组光强度。此使用的数据是从QPCR型物理系统（聚合酶链反应）获得的。科学锁在于分析性能标准，即逻辑回归和优化可能性，以最大程度地提高测试可能揭示了GR +事件的可能性。当然，这将通过并行分析赔率（OR）来完成。总而言之，我们的目的是开发一种能够使用前面提到的数量来生成可靠模型的算法。在阈值0.5时，将给出性能特征：ROC曲线，ROC曲线下的面积（AUC），灵敏度（SE），特异性（SP），混淆表和可能性。最后，我们在歧视，分类和最终验证方面的算法相关性得出结论。
引用：Imran M，Jannat Mishu NE，Khaliq H，Shahzad F（2025）评估机器学习模型，用于上游印度河上的降水预测
降水在有效管理水资源和维持储层水位中起着至关重要的作用。然而，气候变化发生了显着改变的降水模式，导致了极端的水文事件，例如干旱和洪水，这些事件具有深远的社会经济和环境影响。本研究的重点是使用机器学习模型预测上印度河盆地（UIB）中的降水事件。在这项研究中，采用了三种广泛使用的机器学习算法支持向量机（SVM），K-Nearest邻居（KNN）和随机森林（RF），以预测UIB中的降水事件。数据集分为培训（80％）和测试（20％）子集进行模型评估。在测试的算法中，KNN表现出最佳的预测性能，得出的平均绝对误差（MAE）为2.662，根平均平方误差（RMSE）为16.3，R²得分为0.879，总准确度为83.16％。结果表明，KNN算法是UIB中降水预测的最有效的机器学习模型。这项研究的结果有助于改善预警系统，并在面对气候变化和极端天气事件的情况下促进有效的水资源管理。
利用准双精度提高单精度：在跨尺度预测模型中实现双精度精度——大气（MP
摘要：高性能计算（HPC）的局限性严重制约着数值模型的发展。传统数值模型通常采用双精度来保证结果的准确性，但这种做法计算成本较高。虽然使用较低的精度可以大幅降低计算成本，但可能会引入舍入误差，这在特定条件下会影响精度。准双精度算法（QDP 算法）通过保留修正值来补偿这些舍入误差，从而提高结果精度。为了探究该算法对提高数值模型结果精度的有效性，本文将其应用于单精度版本的跨尺度预测模型——大气（MPAS-A），并在两个理想情况和两个真实数据案例中评估其性能。结果表明，应用QDP算法在三种情况下可使表面压力偏差分别降低68%、75%、97%和96%。与双精度试验相比，运行时间分别减少了28.6%、28.5%、21.1%和5.7%。本研究表明，QDP算法为数值模型提供了有效且经济的计算能力。
