XiaoMi-AI文件搜索系统
World File Search SystemQuantiles
C-反应蛋白与未来发育的关联... 引用：Viberg Johansson J，Dembrower K，Strand F等。妇女在瑞典乳房X线摄影中使用AI的看法和态度：质量 在同行评审期刊中报道的驱动创新 引用：Jennings S，Anstey S，Bower J等。通过免疫检查点抑制剂（Excim）的癌症免疫疗法的经历 - 人类参与 沉浸式虚拟现实的可行性和安全性 TBI）研究方案
抽象目的是肥胖和高血压尚不清楚高敏性C反应蛋白（HS-CRP）和入射糖尿病之间观察到的关联的程度。这项研究旨在调查HS-CRP与挪威一般人群样本中糖尿病的关联。设计了一项研究队列研究，该研究使用Tromsø研究的两项基于人群的调查：第六次调查Tromsø6（2007-2008）作为基线和第七次调查Tromsø7（2015-2016）在随访中。设定挪威的特罗姆斯市，这个国家的老年人比例越来越高，超重，肥胖和高血压的流行率很高。参与者8067名没有糖尿病的男性和男性，年龄30-87岁，在基线Tromsø6时，他们随后也参加了Tromsø7。是由逻辑回归建模的，与基线HS-CRP相关联，分为三个刻度或连续性的风险因素，并将其分为c.高血压。 通过在完全调整的模型中添加相互作用项来评估性别，体重指数（BMI），高血压或腹部肥胖的相互作用。 结果7年后有320（4.0％）糖尿病病例。 没有证据表明HS-CRP与性别，高血压，BMI或腹部肥胖之间相互作用。 提出的HS-CRP的结论与挪威成人人群样本中的未来糖尿病发展有关。是由逻辑回归建模的，与基线HS-CRP相关联，分为三个刻度或连续性的风险因素，并将其分为c.高血压。通过在完全调整的模型中添加相互作用项来评估性别，体重指数（BMI），高血压或腹部肥胖的相互作用。结果7年后有320（4.0％）糖尿病病例。没有证据表明HS-CRP与性别，高血压，BMI或腹部肥胖之间相互作用。提出的HS-CRP的结论与挪威成人人群样本中的未来糖尿病发展有关。在包括肥胖和高血压在内的多变量调整后，最高HS-CRP三位一体3中的个体患糖尿病的几率高73％（OR 1.73; P = 0.004; 95％CI 1.20至2.49），而第三次较低的人比最低或每1.2％的人（或1.28）（或1.28）（或1.28; 1.28; 1.09至1.50）。肥胖或高血压无法完全解释CRP糖尿病的关联。
WTTE-RNN：威布尔事件时间循环神经网络
在本文中，我们提出了一种预测事件发生时间的新模型：威布尔事件时间 RNN。这是一个用于预测下一个事件发生时间的时间序列的简单框架，适用于我们遇到连续或离散时间、右删失、重复事件、时间模式、随时间变化的协变量或不同长度的时间序列中的任何一个或所有问题。所有这些问题在客户流失、剩余使用寿命、故障、尖峰序列和事件预测中经常遇到。所提出的模型估计下一个事件发生时间的分布具有离散或连续威布尔分布，其参数是递归神经网络的输出。该模型使用生存分析中常用的特殊目标函数（删失数据的对数似然损失）进行训练。威布尔分布足够简单，可以避免稀疏性，并且可以轻松进行正则化以避免过度拟合，但仍然具有足够的表现力来编码诸如增加、平稳或减少风险之类的概念，并且如果允许的话可以收敛到点估计。预测的威布尔参数可用于预测下一个事件发生时间的预期值和分位数。它还会导致未来风险的自然 2d 嵌入，可用于监测和探索性分析。我们使用一个通用的删失数据框架来描述 WTTE-RNN，该框架可以轻松地与其他分布一起扩展并适用于多变量预测。我们表明，常见的比例风险模型和威布尔加速故障时间模型是 WTTE-RNN 的特殊情况。对具有不同程度删失和时间分辨率的模拟数据评估了所提出的模型。我们将它与二元固定窗口预测模型和处理删失数据的简单方法进行了比较。该模型优于简单方法，并且被发现具有许多优点和与二元固定窗口 RNN 相当的性能，而无需指定窗口大小和在更多数据上训练的能力。将 CMAPSS 数据集应用于模拟喷气发动机的 PHM 运行至故障得到了有希望的结果。
人工智能与基础材料和石油天然气公司的新兴互动：伊斯兰市场与传统市场的比较
作为人工智能 (AI) 行业的一部分，有许多公司致力于提供硬件以增强人工智能技术在大数据分析中的应用，此外还有从事数据分析、软件、系统软件和人工智能软件的公司。本文研究了人工智能企业与基础材料和石油天然气公司及其伊斯兰市场的分位数连通性和非线性分位数因果关系。正式地，我们考虑两个角度，包括 COVID-19 大流行之前和之后（2018 年 5 月 18 日至 2022 年 6 月 1 日期间）。观察到，在基于人工智能的投资和与基础材料和石油天然气行业相关的公司网络中，人工智能在 COVID-19 时代之前和期间是冲击的净接受者，在正常市场和 COVID-19 影响期间接受冲击的强度高于在上尾和下尾以及 COVID-19 之前。然而，人工智能可以作为伊斯兰市场中石油和天然气相关公司（在新冠肺炎之前和新冠肺炎期间）和传统石油和天然气公司（仅在新冠肺炎期间）的分位数因果。另一方面，伊斯兰和传统的基础材料和石油和天然气业务似乎都是新冠肺炎形势中间分位数中人工智能技术的非线性变异因果。除此之外，资源型市场对人工智能的唯一因果因素是伊斯兰和传统的基础材料公司，这仅在新冠肺炎期间观察到。根据我们的分析，新冠肺炎为提高基础材料和石油天然气公司对人工智能创新的参与度提供了绝佳的机会。因此，基础材料市场可能能够提供硬件和软件基础设施来支持人工智能技术。此外，由于使用人工智能而进入石油和天然气行业的发明可能会对其平均绩效产生重大影响。从这个角度来看，人工智能可以被视为基础材料和石油天然气公司供应链中的战略环节。这些新见解对于人工智能应用程序的开发者、资源政策制定者和管理者以及有兴趣投资新技术的投资者来说有很多启示。
机器可以学习弱信号吗？
在回归分析中，具有非零系数的协变量被认为是真实信号，而系数为零的协变量被认为是错误信号。在人口模型中，这种区别是明确的，类似于“黑白”场景。然而，在有限样本中，微小的非零系数的存在引入了“灰色”区域，模糊了真和假信号之间的界线。1这个灰色区域代表弱信号，可以对结果变量产生可忽略的影响。对弱信号的调查对经济和财务决策具有切实的影响。通常，这些弱信号的集体影响推动了这些领域的结果。支持这一点，图1提供了一种经验的观点，展示了R 2值，从经济学和金融杂志汇编中收集了2022年发表的文章。这些R 2值的25％分位数的经济学为9.7％，金融为5.8％，这表明这些学科的模型经常依赖于具有适度解释力的协变量。此外，图1仅着眼于已发表的论文，这些论文可能偏向于由于选择偏差而引起的R 2值的研究。这表明弱信号的存在可能比这里指出的数据更为广泛。将弱信号纳入回归模型中的决定充满了过度拟合的危险，这会破坏预测性能。当与估计这些弱信号的系数相关的错误大于减少其包容性偏见的好处时，就会出现此问题。包括这些变量，或者不从而取决于偏见和差异之间的权衡。加剧了这一挑战是在数据丰富的环境中经常遇到的高维协变量的越来越多的流行率，这是由于样本量相对于协方差的维度而言，这种情况可能会进一步加剧预测错误。机器学习方法以强调可变选择和降低尺寸而闻名，已被证明有效地减轻了过度拟合和检测错误信号的真实信号，尤其是当真实信号很强时。这些方法采用正则化技术，例如惩罚模型参数的ℓ1或ℓ2规范，以实现这一目标。出现一个关键的问题：机器可以学习弱信号，换句话说，它们是否可以超过天真的零估计器？零估计器旨在忽略所有协变量，在弱信号的背景下用作被动基线。如果估算器设法超过了这一基线，则意味着它有效地学习了有价值的信号。相反，未能
分析模拟环境极端的极端价值统计
环境现象。在气候科学中，在包括温度在内的广泛变量的建模中已经取得了显着的进步（Clarkson等人。2023），降水（Katz 1999），风速（Kunz等2010; Fawcett和Walshaw 2006）以及其他更广泛的环境主题（包括水文学）（Towler等人2010; Katz等。2002）和空气污染（Gouldsbrough等人 2022）。 在本文中，我们概述了“ Uniofbathtopia”团队在第13届国际极端价值分析会议（EVA2023）举办的数据挑战中使用的技术。 可以在社论中找到对任务的完整描述（Rohrbeck等人 2023）。 我们概述了四个子挑战中的每一个方法，在该方法中，我们根据每个任务的要求，将极值统计的传统方法与其他统计学建模技术进行补充。 挑战涉及在环境应用的背景下，在“乌托邦”的精美国家设计的环境应用中估算极边缘的分位数，边缘超出概率和关节尾概率。 竞争组织者使用已知参数模拟了数据，以便可以验证和比较团队的模型，并以模仿现实世界过程所表现出的丰富，复杂的行为。 因此，我们期望我们提出的方法的性能扩展到一般设置和应用程序。 我们还使用引导方法进行置信间隔估计（Gilleland 2020）。 2013）。2002）和空气污染（Gouldsbrough等人2022）。在本文中，我们概述了“ Uniofbathtopia”团队在第13届国际极端价值分析会议（EVA2023）举办的数据挑战中使用的技术。可以在社论中找到对任务的完整描述（Rohrbeck等人2023）。我们概述了四个子挑战中的每一个方法，在该方法中，我们根据每个任务的要求，将极值统计的传统方法与其他统计学建模技术进行补充。挑战涉及在环境应用的背景下，在“乌托邦”的精美国家设计的环境应用中估算极边缘的分位数，边缘超出概率和关节尾概率。竞争组织者使用已知参数模拟了数据，以便可以验证和比较团队的模型，并以模仿现实世界过程所表现出的丰富，复杂的行为。因此，我们期望我们提出的方法的性能扩展到一般设置和应用程序。我们还使用引导方法进行置信间隔估计（Gilleland 2020）。2013）。在单变量任务中，我们使用了广义帕累托分布（GPD），并使用基于模型的聚类方法在内（Hastie等人。2009）和混合模型（Fraley and Raftery 2002）以及马尔可夫链蒙特卡洛（MCMC）进行参数估计（Coles and Powell 1996）。对于多元问题，我们的方法基于定期变化随机变量的最大线性组合的参数族（Fougères等人。我们使用现代的现代精学学习技术（包括稀疏诱导的预测和聚类），推动了对这些模型进行推理的新方法，推进了现有方法（Cooley and Thibaud 2019; Kiriliouk and Zhou 2022）。我们工作的新方面是：探索尾尾行为不确定性较大的系统的MCMC参数估计偏置，并提出了基于稀疏投影的Max-linear模型的噪声系数的新估计器。本文的格式如下：第2节描述了我们针对单变量挑战的解决方案，每个挑战将每个挑战分为方法论和结果。第3节介绍了必要的背景理论，这些理论是从多变量极端的。我们在第4节中对我们的绩效进行了一些最后的讨论。
影子经济，经济增长和金融发展
阴影经济，经济增长和金融发展摘要这项研究研究了1991年至2015年期间全球156个国家的经济增长，影子经济和金融发展之间的关联。该研究采用两面板方法，面板矢量自动降低和小组分位数回归。结果表明，经济增长会对影子经济产生负面影响，而金融发展变量对影子经济产生了不对称的影响。另一方面，结果表明，影子经济对经济增长产生了积极影响，金融发展对经济发展产生负面影响。此外，小组的分位数回归表明，经济增长和金融发展显着影响不同分位数的影子经济。经济增长对阴影经济的影响在所有经过测试的分位数上都是负面的，而金融发展变量在整个分位数中有所不同。关键字：影子经济，经济增长，金融发展，小组自回旋分配模型，小组量化回归码：C50，E00，O11，O17 1。引言影子经济被认为是全球经济问题；由于它是一个隐藏的经济因素，因此它证实了对发展中国家和发达国家的政策制定者的重大挑战（Schneider＆Enste，2000年）。这一挑战源于这样一个事实，即阴影经济活动的性质并不明显，这导致难以测量。影子经济以其多个维度及其伴奏而闻名。然而，全世界的影子经济的幅度和增长显着提高，以了解其对国家经济的各种原因和影响（Medina＆Schneider，2018年）。它的特征，效果和规模可以从一个国家到另一个国家有显着不同；这可能是危险的，并带来困难的经济后果（Gorana＆Schneider，2015年）。研究人员进行的连续研究表明，在全球国家之间，GDP的影子经济百分比有所不同，并且已经达到了正式经济的很大一部分（Mai＆Schneider，2016年）。对影子经济的估计显示，发达国家和发展中国家的百分比在瑞士等发达国家中达到了正式GDP的7.4％。相比之下，在像佐治亚州这样的发展中国家中，它达到了67.87％的正式GDP。最近的数据表明，2015年，阴影经济平均达到了全球158个经济体的31.7％（Medina＆Schneider，2018年）。文献表明税收和法规是阴影经济规模增加的最重要原因之一（Schneider＆Enste，2000年）。作为某些国家的高税收负担导致了实际收入的衰落，从而导致个人向阴影活动的运动（Teobaldelli，2011年）。同样，政府对经济部门实施的法律和程序的严重程度，例如劳动力市场限制和贸易障碍，这是削弱个人加入正式经济的机会的重要因素，从而前往影子经济进行活动（Schneider＆Williams，2013年）。