XiaoMi-AI文件搜索系统
World File Search SystemRegression
动态吸引的热图回归视频中的人姿势估计
我们提出了一种解决视频中2D人姿势估计的方法。视频中人类姿势估计的问题与估计静态图像中的人类姿势不同，因为视频包含大量相关信息。因此，我们投资了如何通过一系列视频框架来利用人体运动的信息来估算视频中的人类姿势。为此，我们引入了一种新型的热图回归方法，我们称之为运动吸引的热图恢复。我们的方法计算相邻帧的关节关键点中的运动向量。然后，我们签署了一种新的热图样式，我们称之为运动意识到的热图，以反映每个关节点的运动不确定性。与传统的热图不同，我们的运动吸引热图不仅考虑了当前的关节位置，而且还考虑了关节如何随时间移动。此外，我们引入了一个模拟且有效的框架，旨在将运动信息置于热图回归中。我们评估了在Posetrack（2018，21）和Sub-JHMDB数据集上的运动感知热图回归。我们的结果证明，拟议的运动吸引热图可显着提高视频中Human姿势估计的精度，尤其是在Challenging方案中，例如像体育游戏镜头一样具有实质性人类动作的视频。（代码和相关材料可在https://github.com/ songinpyo/mtpose中获得。）
改进的线性回归准确预测药物-靶标相互作用
在开发新药和确定其副作用时 [ 1 ]，制药科学依赖于统计学和计算机科学等相关科学分支的发现。此过程中的一个重要步骤是确定药物与药理靶标之间的相互作用。尽管可以通过体外结合试验可靠地确认相互作用的存在（例如，参见 [ 2 – 5 ]），但此类方法昂贵且耗时 [ 6 ]。为了解决这一瓶颈，已经设计并实施了计算方法来估计相互作用的概率。因此，可以根据计算机方法选择最有希望进行体外实验的候选药物。药物开发的成本进一步强调了预测药物-靶标相互作用的重要性。虽然估计数字各不相同，但他们一致认为，将一种新药推向市场需要花费数亿美元，有关概述例如，参见 [ 7 ]。此外，该过程可能总共需要 10 多年。药物-靶标相互作用预测（DTI）技术有望减少上述成本和时间，并支持药物重新定位[8]，即使用现有药物来治疗尚未用该药物治疗的疾病。
MRPW：带有采样权重∗
统计的核心挑战之一是从样本到人群概括。自然的第一步是调整样本和人群之间的已知，预期或假定差异1。但是，即使是这种基本的纠正水平也可能具有挑战性，尤其是当样本和人口在许多方面差异时（例如，社会调查中的年龄，性别，性别，教育，种族，地理和政治隶属关系）。加权是总结调整的一种方式：样本中的每个项目都有非负权重，该权重与人口中的代表成正比。人口估计。经典的调查权重出现了四个困难：重量，不确定性估计，小区域估计和回归建模。重量的构造很困难，因为现实世界调查需要针对许多因素进行调整，并且基于延伸后或采样估计概率的简单方法通常会导致高度嘈杂的权重。噪声较高的权重导致加权估计的效率损失：权重中存在的可变性越多，加权调查估计的效率就越小（Korn and Graubard，1999）。This in turn motivates more complicated approaches based on smoothing or modeling the weights, which can be done but at the cost of many choices in modeling and estimation (Little, 1991; Gelman and Little, 1998; Elliott and Little, 2000; Little and Vartivarian, 2003; Chen et al., 2006; Gelman, 2007; Chen et al., 2012, 2017; Xie et al., 2020; Si et al., 2020; Ben-Michael等人，2024年）。
模块化响应分析重新归类为多线性回归问题
动机：模块化响应分析（MRA）是从turg turgation数据中推断生物网络的良好方法。经典，MRA需要线性系统的解决方案，结果对数据和扰动强度中的噪声敏感。由于噪声传播，对10个或更多节点网络的应用很难。结果：我们提出了将MRA作为多线性回归问题的新表述。这使得能够在更大，过度确定且更稳定的方程式系统中整合所有重复和潜在的扰动。可以获得更相关的网络参数的置信区间，我们显示了大小高达1000的网络的竞争性能。以已知零边缘形式的先验知识整合进一步改善了这些结果。可用性和实现：用于获得呈现结果的R代码可从GitHub获得：https：// github.com/j-p-borg/bioinformatics
caril：自主驾驶的模仿学习中的信心回归
摘要 - 基于端到端视力的模仿学习已直接从专家演示中学习控制命令来证明自主驾驶的有希望的结果。然而，传统方法依赖于基于回归的模型，这些模型提供了精确的控制，但缺乏一致性估计或基于分类的模型，这些模型提供了置信度得分，但由于分离而降低了精度。此限制使量化预测行动的可靠性并在必要时应用更正是一项挑战。在这项工作中，我们引入了双头神经网络体系结构，该架构既集成回归和分类负责人，以提高模仿学习中的决策可靠性。回归负责人预测了连续的驾驶动作，而分类头则估计了置信度，从而实现了一种调整机制，该校正机制可以调整低信心情景中的动作，从而增强了驾驶稳定性。我们在Carla模拟器内的闭环环境中评估了我们的方法，证明了其检测不确定的动作，估计信心并应用实时校正的能力。实验结果表明，我们的方法可降低车道偏差，并提高了传统精度高达50％，表现优于常规回归模型。这些发现突出了分类指导置信度估计的潜力，以增强基于视觉的模仿学习对自主驾驶的鲁棒性。源代码可在https：// github上找到。com/elahedlv/profester_aware_il。
Levenshtein距离嵌入DNA存储的泊松回归
有效的计算或Levenshtein distance是一种用于评估序列相似性的普遍指标，随着DNA存储和其他生物学应用的出现，引起了显着的关注。序列嵌入将Levenshtein的距离映射到嵌入向量之间的调用距离，已成为一种有前途的解决方案。在本文中，提出了一种基于泊松再生的新型基于神经网络的序列嵌入技术。我们首先提供了对嵌入维度对模型性能的影响的理论分析，并提出了选择适当的嵌入性识别的标准。在此嵌入维度下，通过假设托管式分离后的固定长度序列之间的levenshtein距离来引入泊松式，这自然与左环特链距离的定义相一致。此外，从嵌入距离的分布的角度来看，泊松回归大约是卡方分布的负面对数可能性，并在消除偏度方面提供了进步。通过对实际DNA存储数据的全面实验，我们证明了与最新方法相比，采用方法的出色性能。
基于属性的量子程序回归测试的 Delta 调试
手动调试量子程序是一项困难且耗时的过程。在本文中，我们介绍了一种基于增量调试和基于属性的测试的量子程序自动调试技术。我们的技术可以自动识别在量子程序更新中导致基于属性的回归测试失败的更改。为了评估我们的技术，我们将故障和保留语义的更改注入到三种量子算法中。在测量故障和保留语义的更改的百分比后，我们讨论了我们方法的可行性和有效性。我们的结果表明，我们的方法具有很高的真正例（称为敏感度）和真负例（称为特异性），并且在引入程序的更改量方面具有鲁棒性。此外，该方法的敏感度随着属性数量的增加而显著增加。而当增加属性和输入的数量时，特异性保持稳定。
荷兰NO2和PM2.5的小时土地使用回归建模。
年平均土地利用回归（LUR）模型已被广泛用于评估空气污染暴露的空间模式。但是，它们无法捕获空气污染中的昼夜变异性，因此可能导致动态暴露评估有偏见。在这项研究中，我们旨在使用LUR算法对荷兰的两种主要污染物（第2和PM 2.5）进行平均小时浓度。，我们建模了2016年至2019年平均小时浓度的空间变化，合计为两个季节，以及两种工作日类型。使用了两种建模方法，有监督的线性回归（SLR）和随机森林（RF）。潜在的预测因子包括种群，道路，土地利用，卫星检索和化学转运模型污染估计具有不同缓冲尺寸的变量。我们还使用小时监控数据从2019年的年度模型进行了时间调整，以将其性能与小时建模方法进行比较。结果表明，每小时2个模型的总体表现良好（5倍交叉验证r 2 = 0.50 - 0.78），而PM 2.5进行中等（5倍交叉验证r 2 = 0.24 - 0.62）。在第2号和PM 2.5中，温暖季节的表现都比寒冷的季节差，周末比工作日还差。两种污染物的RF和SLR模型的性能相似。对于SLR和RF，与工作日相比，在周末型号中选择了更大的缓冲尺寸的变量，代表背景浓度的变化，与冷季相比，在周末模型中选择了更频繁的变量。年度平均模型的时间调整总体上比两种建模方法都要差（无2小时r 2
基于深度学习的产科超声平面姿态回归
摘要 目的在产科超声 (US) 扫描中，学习者根据二维 (2D) US 图像在脑海中构建胎儿的三维 (3D) 地图的能力代表了技能习得中的重大挑战。我们的目标是构建一个 US 平面定位系统，用于 3D 可视化、训练和引导，而无需集成额外的传感器。方法我们提出了一个回归卷积神经网络 (CNN)，使用图像特征来估计任意方向的 US 平面相对于胎儿大脑中心的六维姿势。该网络在从幻影 3D US 体积获取的合成图像上进行训练，并在真实扫描上进行微调。训练数据是通过将 US 体积在 Unity 中以随机坐标切成成像平面并在标准经脑室 (TV) 平面周围更密集地切片来生成的。结果使用幻影数据，随机平面和靠近 TV 平面的平面的中位误差分别为 0.90 mm/1.17 ◦ 和 0.44 mm/1.21 ◦。对于真实数据，使用具有相同胎龄 (GA) 的不同胎儿，这些误差为 11.84 mm/25.17 ◦。平均推理时间为每平面 2.97 毫秒。结论所提出的网络可靠地定位了幻影数据中胎儿大脑内的超声平面，并成功地从与训练中类似的 GA 中推广了看不见的胎儿大脑的姿势回归。未来的发展将扩大预测范围，以预测整个胎儿的体积，并评估其在获取标准胎儿平面时基于视觉的徒手超声辅助导航的潜力。
使用长期的剩余使用寿命 (RUL) 回归...
摘要 — 准确预测元件的剩余使用寿命 (RUL) 是电子电路中的主要关注点。基于 RUL 的健康诊断在确定设备故障时间方面发挥着重要作用，可作为工业应用中的预警。本文提出了一种基于长短期记忆 (LSTM) 的回归模型，利用设备最基本的提取电气特征来预测环形振荡器 (RO) 电路的 RUL。LSTM 网络能够捕获时间序列数据中的时间依赖性并消除传统循环神经网络 (RNN) 中遇到的梯度消失问题。从 Cadence 模拟中，利用 22 nm CMOS 技术库，已经证明 RO 频率退化主要取决于三个主要因素，包括工作温度、电压以及最重要的设备老化参数。结果表明，13 和 21 阶段的 RUL 预测结果中超过 90% 的案例受电源电压变化限制，变化范围为 0.7 V 至 0.9 V，预测偏差最小为 2 天至 6 天。关键词：老化、剩余使用寿命、机器学习、在线预测、可靠性