XiaoMi-AI文件搜索系统
World File Search SystemRegression
基于能量的回归实用学习建议
近年来，基于能量的模型 (EBM) 在机器学习中经历了复苏，包括成为概率回归的有前途的替代方案。然而，基于能量的回归需要手动设计一个用于训练的提议分布，并且必须在测试时提供初始估计。我们通过引入一种概念上简单的方法来自动学习有效的提议分布来解决这两个问题，该方法由单独的网络头参数化。为此，我们得出了一个令人惊讶的结果，即得出一个统一的训练目标，该目标共同最小化从提议到 EBM 的 KL 分歧，以及 EBM 的负对数似然。在测试时，我们可以对训练过的提议进行重要性抽样，以有效评估学习到的 EBM 并产生独立的预测。此外，我们利用我们得出的训练目标，通过联合训练的基于能量的教师来学习混合密度网络 (MDN)，在计算机视觉领域的四个真实世界回归任务中，其表现始终优于传统的 MDN 训练。代码可在 https://github.com/fregu856/ebms_proposals 获得。
利用多元回归分析和人工神经网络进行人工智能房地产预测的效果研究——以加纳为例
要从传统房地产过渡到智能房地产，房地产行业必须加强对颠覆性技术的接受。尽管房地产拍卖市场在金融、经济和投资领域的重要性日益增加，但过去很少有基于人工智能的研究试图预测房地产的拍卖价值。根据本研究的目标，人工智能和统计方法将用于创建房地产拍卖价格的预测模型。多元回归模型和人工神经网络结合使用来构建预测模型。对于实证研究，该研究利用 2016 年至 2020 年加纳公寓拍卖的数据来预测拍卖价格并评估当时可用的各种模型的预测准确性。与传统的多元回归分析相比，使用人工智能系统进行房地产评估正成为一种更可行的选择（MRA）。其中人工神经网络模型表现最为突出，而基于拍卖评估价的有效区域划分则进一步提升了模型的预测准确率。在预测房地产拍卖价值方面，两种模型存在统计上的显著差异。
神经回归、表征相似性、啮齿动物视觉皮层中的模型动物学神经任务
深度神经网络作为小鼠视觉皮层模型的表现如何？迄今为止，大多数研究表明，结果远比灵长类动物视觉皮层建模的结果复杂得多。在这里，我们利用表征相似性分析和神经回归对小鼠视觉皮层中的数十个深度神经网络模型进行了大规模基准测试。利用艾伦大脑观测站的 2 光子钙成像数据集，记录了超过 6,000 个可靠的啮齿动物视觉皮层神经元对自然场景的反应，我们复制了以前的发现并解决了以前的差异，最终证明现代神经网络实际上可以比以前更合理地解释小鼠视觉皮层的活动。使用我们的基准作为图集，我们为有关分析水平的总体问题、有关最能预测整体视觉系统的模型属性的问题以及有关生物和人工表征之间映射的问题提供了初步答案。我们的研究结果为未来小鼠视觉皮层的深度神经网络建模提供了参考点，暗示了映射方法、架构和任务的新组合，以更全面地描述对神经科学如此重要的物种的视觉表征的计算主题，但其感知生理学和生态学与我们在灵长类动物中研究的有显著不同。
贝叶斯张量反应回归及其在脑激活研究中的应用
摘要。本文提出了一种新的贝叶斯回归实现，该回归具有标量协变量的多维数组（张量）响应。最近，各个学科中出现了复杂的数据集，迫切需要设计具有张量值响应的回归模型。本文考虑了一种这样的应用，即在存在张量值大脑图像和标量预测因子的情况下，在 fMRI 实验中检测神经元激活。此应用的总体目标是识别由外部刺激激活的大脑空间区域（体素）。在此类应用和相关应用中，我们建议将所有细胞（或大脑激活研究中的体素）的响应一起回归为标量预测因子的张量响应，以考虑张量响应中固有的结构信息。为了估计具有适当细胞特定收缩的模型参数，我们提出了一种新的张量结构化回归系数多向断棍收缩先验分布，从而能够识别与预测因子相关的细胞。本文的主要创新之处在于，当细胞数量增长速度快于样本大小时，对张量响应回归中提出的收缩先验的收缩特性进行了理论研究。具体而言，在温和的假设下，张量回归系数的估计值在 L2 意义上逐渐集中在真实稀疏张量周围。各种模拟研究和脑激活数据分析从经验上验证了所提出的模型在细胞级参数估计和推断方面的良好性能。
通过多变量回归和新型遗传算法预测 Q 值
收到日期：2020 年 1 月 5 日；修订日期：2020 年 4 月 17 日；接受日期：2020 年 5 月 28 日 摘要：确定隧道支撑是隧道工程领域的一个重要争论，它确保了隧道的稳定性和安全性。Q 系统分类是一种用于确定岩石隧道支撑系统的技术。问题在于无法获得支撑系统所需的所有参数。另一方面，这种访问非常昂贵且耗时。因此，不可能在所有情况下确定 Q 值。本文使用 SPSS 程序确定 Q 系统中最有影响力的参数。然后，采用多元回归 (MVR) 和遗传算法 (GA) 方法，提出了一种使用三个有影响的参数预测 Q 值的关系。为此，使用了 140 个实验数据。为了评估获得的模型，使用了 34 个不在原始数据集中的新实验数据。本文的创新之处在于不再使用六个参数，而是使用对 Q 值影响最大的三个参数来确定 Q 值。在本研究中，MVR 模型（训练数据的 RMSE = 2.68、相关系数 = 0.81，测试数据的 RMSE = 2.55、相关系数 = 0.80）表现优于 GA 模型（训练数据的 RMSE = 2.90、相关系数 = 0.82，测试数据的 RMSE = 2.61、相关系数 = 0.84）。关键词：遗传算法、影响参数、多变量回归、Q 系统、隧道支护。1. 引言如今，地下空间在发达国家和发展中国家的使用越来越多。地面空间的限制、核电站的建设以及弹药和武器库的建设使得利用地下空间和设计隧道成为必然。
基于切线空间的逻辑回归跨学科学习，用于增强运动想象分类
摘要 — 脑机接口 (BCI) 的性能通常会受到影响，因为记录的 EEG 信号本身具有非平稳性，且不同受试者之间存在高度差异。本研究提出了一种新方法，使用基于切线空间的迁移学习 (LR-TSTL) 的逻辑回归来解决基于运动想象 (MI) 的 BCI 分类问题。从 EEG 信号计算出的单次试验协方差矩阵 (CM) 特征被转换为黎曼几何框架，并且通过考虑下三角矩阵来计算切线空间特征。然后使用逻辑回归模型对它们进行进一步分类，以提高分类准确性。在健康受试者的数据集以及中风患者的数据集上测试了 LR-TSTL 的性能。与现有的受试者内学习方法相比，所提出的方法在平均分类准确率 (78.95 ± 11.68%) 方面给出了相同或更好的性能，同时应用于健康受试者的留一跨受试者学习。有趣的是，对于患者数据集，LR-TSTL 显著（p < 0.05）超越了当前基准性能，平均分类准确率为 81.75 ± 6.88%。结果表明，所提出的跨学科学习方法有可能实现下一代无校准 BCI 技术，并具有增强的实用性，尤其是在针对中风患者的神经康复 BCI 设计的情况下。
符合道德的人工智能回归测试选择
摘要 — 测试自动化在软件开发中很常见；通常需要反复测试以识别回归。如果测试用例数量很大，则可以选择一个子集并仅使用最重要的测试用例。回归测试选择（RTS）可以实现自动化，并通过人工智能（AI-RTS）进行增强。然而，这可能会带来道德挑战。虽然人工智能中的此类挑战通常已得到充分研究，但在道德 AI-RTS 方面仍存在差距。通过探索文献并借鉴我们开发行业 AI-RTS 工具的经验，我们通过确定三个挑战（分配责任、决策偏见和缺乏参与）和三种方法（可解释性、监督和多样性）为文献做出了贡献。此外，我们还提供了一份道德 AI-RTS 清单，以帮助指导参与该过程的利益相关者的决策。
使用逻辑回归预测航空事故...
摘要 - 当谈到长距离运输时，我们唯一最简单、最快捷的选择就是飞机。飞机失事一直是一场大悲剧。尽管我们能够制造出可搭载 850 多名乘客的机器，但这种飞机的安全性仍存在一些问题。没有一种交通方式是安全的。即使是骑自行车的孩子也不安全。但我们不能对不断发展的世界置之不理，因为飞机在社会发展中发挥着重要作用。仅仅因为它不安全，或者少数飞机没有到达目的地，人类就不能拒绝飞机。关于最近飞机事故的研究证明，很有可能出现意想不到的结局。飞机失事是由多种因素造成的。如果我们能够拯救人们的生命，延缓无可否认的死亡，我们就会让世界再次伟大。在这里，我们试图建立机器学习模型，根据过去的事件预测和分类任何飞机事故的严重程度。通过这种方法，整个航空业可以预测由于各种因素造成的飞机事故。然后他们可以制定行动计划，将事故风险降至最低。我们使用逻辑回归来确定某个特定特征是否重要，然后我们采用随机森林技术进行分类。最后，我们使用 XGBoost，它为 Python 提供了一个梯度增强框架来生成模型。该方法的最终结果将根据事故的严重程度给出航空事故预测。索引术语 - 航空事故、逻辑回归模型、XGboost、随机森林