XiaoMi-AI文件搜索系统
World File Search SystemProbabilistic
深部脑刺激的概率图
背景：对接受深部脑刺激 (DBS) 的患者进行组分析有助于理解和优化运动障碍患者的治疗。概率刺激图 (PSM) 通常用于分析组织刺激与症状效果之间的相关性，但应用的方法不同。目的：计算特定于组的 MRI 模板和 PSM，以研究 PSM 模型参数的影响。方法：分析了 68 名植入尾部未定带的特发性震颤患者的头晕改善和发生情况。输入数据包括每个电极接触的最佳参数（筛选）和临床使用的设置。针对所有 DBS 设置计算了特定于患者的电场模拟（n = 488）。将电场转换为特定于组的 MRI 模板以进行分析和可视化。不同的比较基于表示发生率 (N-map)、平均改善 (M-map)、加权平均改善 (wM-map) 和体素 t 统计量 (p-map) 的 PSM。这些图用于研究输入数据 (临床/筛查设置)、聚类方法、采样分辨率和加权函数的影响。结果：筛查或临床环境对 PSM 的影响最大。wM-map 的平均差异分别为左侧和右侧的 12.4 和 18.2%。基于 wM-map 或 p-map 提取的簇显示体积有显著变化，而定位相似。加权函数对 PSM 的影响很小，除了 wM-map 簇的定位明显发生变化。结论：在创建 PSM 以研究解剖学和 DBS 结果之间的关系时，输入数据的分布和聚类方法是最重要的考虑因素。© 2022 作者。由 Elsevier Inc. 出版。这是一篇根据 CC BY 许可 ( http://creativecommons.org/licenses/by/4.0/ ) 开放获取的文章。
额叶-中线 θ 频率与概率学习
Zsófia Zavecz、Kata Horváth、Péter Solymosi、Karolina Janacsek、Dezso Nemeth。额叶中线 θ 频率和概率学习：经颅交流电刺激研究。行为脑研究，2020 年，393，第 112733 页 -。�10.1016/j.bbr.2020.112733�。�hal-03490347�
CSE 598：概率推理和学习
本班的学生必须遵守ASU的学术完整性政策，可以在https://provost.asu.edu/academic-integrity/policy上找到。学生负责审查这项政策，并了解可能发生学术不诚实的每个领域。此外，所有工程专业的学生都应遵守《 ASU学术诚信荣誉法》和《工程荣誉法》。所有违反学术诚信的行为将报告给富尔顿工程诚信办公室（AIO）。AIO保留了所有违法行为的记录，并可以访问所有其他ASU学院/学校中犯下的学术诚信行为。
土木工程师的概率机器学习
课程将亲自举行，但您也可以在YouTube上访问视频。请注意，您可以通过安装插件（例如Adblock或Adblock Plus）来避免使用广告。我鼓励您阅读每个班级之前第4节中指定的参考文献。
用概率时空解决信息悖论
霍金描述黑洞信息悖论已经 50 年了。研究发现，黑洞辐射和随后的黑洞蒸发相结合会使被困住的信息消失，这违反了量子信息守恒定律。从那时起，人们进行了许多尝试来解决这一悖论。本文简要回顾了所有这些尝试都存在重大缺陷，这意味着该悖论仍未得到解决。一种相对较新的宇宙学理论提供了一种解决方案，尽管它并非为此目的而开发。该理论名为概率时空理论 (PST)，与所有现行宇宙学理论相比，它首先改变了一个基本假设。时空不再被视为空洞或其他实体的容器，而是被视为宇宙中最基本的实体，由能量碎片组成，并且（根据守恒定律）无法毁灭。描述了 PST 在解决信息悖论中的潜在贡献，并发现时空概念化的单一变化会导致悖论的消失而不是信息的消失。
概率图形模型：原理和技术
3 The Bayesian Network Representation 45 3.1 Exploiting Independence Properties 45 3.1.1 Independent Random Variables 45 3.1.2 The Conditional Parameterization 46 3.1.3 The Naive Bayes Model 48 3.2 Bayesian Networks 51 3.2.1 The Student Example Revisited 52 3.2.2 Basic Independencies in Bayesian Networks 56 3.2.3 Graphs and Distributions 60 3.3 Independencies in Graphs 68 3.3.1 D-separation 69 3.3.2 Soundness and Completeness 72 3.3.3 An Algorithm for d-Separation 74 3.3.4 I-Equivalence 76 3.4 From Distributions to Graphs 78 3.4.1 Minimal I-Maps 79 3.4.2 Perfect Maps 81 3.4.3 Finding Perfect Maps ⋆ 83 3.5 Summary 92 3.6 Relevant Literature 93 3.7 Exercises 96
电动车能量的概率深度学习 -
电动汽车的持续传播为支持数字基础设施带来了新的挑战。例如，此类车辆的长途路线计划依赖于预期的旅行时间和能源使用的预测。我们设想一个两层体系结构来产生此类预测。首先，路由和旅行时间预测子系统生成了建议的路线，并预测速度沿路线的变化。接下来，预期的能源使用将从速度轮廓和其他上下文特征（例如天气信息和坡度）中预测。为此，本文提出了通过电动汽车跟踪数据构建的深度学习模型。首先，由于路线的速度轮廓是能源使用的主要预测指标之一，因此探索了构建速度配置文件的不同简单方法。接下来，提出了八个不同的能量使用预测模型。四个模型是概率的，因为它们预测了单点估计值，而是该路线上能量使用的概率分布的参数。在预测EV能量使用时，这特别相关，这对许多输入特征非常敏感，因此几乎无法准确地预测。具有两个现实世界EV跟踪数据集的广泛实验验证了所提出的方法。本研究的代码已在GitHub上提供。
索菲的星球和终止
摘要。扩散概率模型（DPM）已成为生成建模的一种有前途的技术。DPM的成功取决于两种成分：扩散过程的时间逆转和分数匹配。大多数现有的作品隐含地假设分数匹配接近完美，而此假设值得怀疑。鉴于可能无法保证的得分匹配，我们提出了一个新标准 - DPM设计中向后抽样的收缩，从而导致了一种新型的承包DPMS（CDPMS）。关键见解是向后过程中的收缩可以缩小分数匹配错误和离散错误。因此，我们提出的CDPM对两个误差源都是可靠的。为了实际使用，我们表明CDPM可以通过简单的转换来利用经过验证的DPM，并且不需要重新训练。我们通过对合成1-DIM示例，瑞士卷，MNIST，CIFAR-10 32×32和AFHQ 64×64数据集的实验来证实我们的方法。值得注意的是，CDPM在所有已知的基于SDE的DPM中显示出最佳性能。
深概率的规范相关分析
我们提出了一个深层生成框架，用于基于规范相关分析（CCA）的概率解释来学习多视图。该模型将潜在空间中的线性多视图层与深层生成网络作为观察模型结合在一起，将多个视图中的变异性分解为共享的潜在表示形式，该变异描述了一个描述变化的共同基础源和一组视图组件。为了近似潜在多视觉层的后验分布，基于概率CCA的解决方案开发了有效的变异推理过程。然后将模型推广到任意数量的视图。拟议的深度多视图模型证实了一个经验分析可以发现多个视图之间的微妙关系并恢复丰富的表示。
建筑能源系统的概率预测
概率时间序列预测在一系列现实世界中（例如能量系统）中起着至关重要的作用，尤其是基于置信区间或基于随机模型的预测性控制的异常检测的预测模型。当难以获得准确且可拖延的第一原理模型（例如，基于物理学的模型）时，深度预测模型特别有用。因此，最近的发展集中在深度学习方法上，这些方法可以从历史数据中识别出模式并提供预测。 C.F.d eep ar [18]，n-beats [15]和时间融合变压器（TFT）[13]。虽然深度学习方法可以产生准确的时间序列预测[16]，但它们通常也会产生不可靠的预测，有时甚至与传统的统计模型（如季节性ARIMA或经典MLP）相比，甚至表现不佳[10]。此外，对于小型数据集，这些方法容易出现过度拟合或模式崩溃[7，14]。