XiaoMi-AI文件搜索系统
World File Search SystemRegression
研究文章使用自适应内核回归
切片到体积重建（SVR）方法可以很好地处理运动伪像，并为胎儿脑MRI提供高质量的3D图像数据。但是，在SVR方法中，稀疏采样的问题并未很好地解决。在本文中，我们主要集中于从多个被运动伪影损坏的胎儿脑MRI稀疏体积重建。基于SVR框架，我们的方法包括Slice-volume 2D/3D注册，基于点差函数（PSF-）卷更新以及基于自适应内核回归的卷更新。自适应核回归可以很好地处理稀疏的采样数据，并通过通过协方差矩阵捕获局部结构来增强详细的保存。对临床数据进行的实验结果表明，核回归可通过结构灵敏度的参数设置为0.4，转向内核大小为7×7×7的稀疏抽样数据的图像质量提高，并转向平滑带宽0.5。所提出的基于GPU的方法的计算性能的速度超过90倍。
埃及的能源支出：基于分位数回归方法的实证证据
本文表达的任何观点均为作者观点，而非 IZA 观点。本系列中发表的研究可能包括政策观点，但 IZA 不代表任何机构政策立场。IZA 研究网络致力于遵守 IZA 研究诚信指导原则。IZA 劳动经济研究所是一个独立的经济研究机构，开展劳动经济学研究，并就劳动力市场问题提供基于证据的政策建议。在德国邮政基金会的支持下，IZA 运营着世界上最大的经济学家网络，其研究旨在为我们这个时代的全球劳动力市场挑战提供答案。我们的主要目标是在学术研究、政策制定者和社会之间架起桥梁。IZA 讨论文件通常代表初步工作，并被分发以鼓励讨论。引用此类文件时应说明其临时性质。修订版可直接从作者处获得。
机器学习优于回归分析，以预测下赛季的美国职业棒球大联盟球员受伤：从性能和伤害趋势趋势的流行病学和13,982球员的验证，2000-2017
数据库回答复杂问题。ml是人工智能的一个子集，它使用了从经验中学习和改进的计算算法。4,11以其最简单的形式，这涉及使用一组现实世界数据来预测或估计结果。2,4,11这些数据集代表了机器然后能够使用模式认可来从或“学习”来研究和从“学习”中进行推论，以自己做出决定。4这样的结论与实际结果的测试集进行了比较，以量化算法的准确性。随着训练集中的数据的增长，测试重复的数量增加，类似于“体验式学习”，机器的算法变得更加准确和预测性。逻辑回归（LR）代表ML的最原始形式，并且经常在文献中应用。6,7但是，回归分析是静态的，不是预先的，这意味着它不会自动调节以从复杂的数据关系中“学习”，尤其是在添加更多数据输入时。这项研究代表了我们所知的第一次尝试在运动医学文献中应用复杂的ML算法，其中LR与不同的ML算法进行了比较。在这项研究中，从2000年到2017年的玩家志术，伤害和性能指标是最初的训练集，从这些训练集中，机器可以从该训练中学到的关系，以预测带有测试套件的类似概况的未来玩家的最可能结果。此外，可以正确预测损伤的解剖位置可以预防目标。我们假设，尽管有复杂的情况 - iOS会导致DL受伤和放置，但在历史损伤数据中接受培训的ML模型可能能够评估有效性高的MLB参与者的未来伤害风险。我们认为，在所有临床情况下，现代ML算法将比原始LR分析更具有代表性的模型。For the purpose of leveraging available analytics to permit data- driven injury prevention strategies and informed decisions, the objective of this study of MLB players was to (1) char- acterize the epidemiology of injury trends on the DL from 2000 to 2017, (2) determine the validity of an ML model in predicting the injury risk for the subsequent year and ana- tomic injury location, and (3) compare the performance of modern ML算法与LR分析。
使用稀疏PLS回归的中国经济活动的替代指标
我们的方法论具有多种优势作为替代增长指标。首先，我们的IDI CATOR借鉴了大量的高频数据，这可能与中国的经济表现有关。我们的方法论然后淘汰了有关潜在经济增长的信息的较少信息。接下来，我们将基础数据定位为一组与中国经济各个重要方面高度相关的经济指标。最终结果是稀疏的部分最小二乘（PLS）回归的因素，似乎可以在高频中跟踪中国业务周期，表现良好，如Clark，Dawson和Pinkovskiy（2019）所示，与世界各地的一系列增长指标相关联。最后，我们的因素模型使我们能够将中国从趋势增长到全球增长，信贷供应和货币政策组成部分的偏差分解。
部分迹回归和低秩 Kraus 分解
迹回归模型是广为研究的线性回归模型的直接扩展，它允许将矩阵映射到实值输出。这里，我们介绍一个更为通用的模型，即部分迹回归模型，它是一类从矩阵值输入到矩阵值输出的线性映射；该模型包含了迹回归模型，因此也包含了线性回归模型。借用量子信息论的工具，其中部分迹算子已经得到了广泛的研究，我们提出了一个框架，用于利用完全正映射的所谓低秩 Kraus 表示从数据中学习部分迹回归模型。我们通过针对 i）矩阵到矩阵回归和 ii）半正定矩阵补全进行的合成和真实实验展示了该框架的相关性，这两个任务可以表述为部分迹回归问题。
通过联合稀疏性的堆叠深度嵌入回归进行脑电图特征选择
在脑机接口 (BCI) 领域，选择高效且稳健的特征对于人工智能 (AI) 辅助临床诊断非常有吸引力。在本研究中，我们基于嵌入式特征选择模型，以逐层方式构建堆叠深度结构进行特征选择。其良好的性能由堆叠广义原理保证，即添加到原始特征中的随机投影可以帮助我们以堆叠方式连续打开原始特征空间中存在的流形结构。有了这样的好处，原始输入特征空间变得更加线性可分。我们使用波恩大学提供的癫痫脑电图数据来评估我们的模型。基于脑电图数据，我们构建了三个分类任务。在每个任务中，我们使用不同的特征选择模型来选择特征，然后使用两个分类器根据所选特征进行分类。我们的实验结果表明，我们的新结构选择的特征对分类器更有意义且更有帮助，因此比基准模型产生更好的性能。
使用 GraphNet 的单纯形回归构建结构连接丰富的功能性脑网络
摘要。连接分析是研究硬连线大脑结构以及与人类认知相关的灵活功能动力学的强大技术。最近的多模态连接研究面临着将功能和结构连接信息组合成一个集成网络的挑战。在本文中，我们提出了一个带有图约束弹性网络（Graph-Net）的单纯形回归模型，以低模型复杂度以生物学有意义的方式估计由结构连接丰富的功能网络。我们的模型使用稀疏单纯形回归框架构建功能网络，并基于 GraphNet 约束丰富结构连接信息。我们将我们的模型应用于真实的神经影像数据集，以展示其预测临床评分的能力。我们的结果表明，与使用单一模态相比，整合多模态特征可以检测到更敏感和更细微的大脑生物标志物。
逻辑回归机器学习算法在 MRI 上...
Shaik Sofia Saba、D Sreelakshmi、P Sampath kumar、K Sai kumar、shaik Rushdiya saba 摘要：医学领域需要快速准确的诊断才能治疗，但目前的技术还不具备这种能力。因此需要实施有效的诊断应用程序才能有效治疗。在本研究中，基于 LR（逻辑回归）的机器学习（ML）方法进行分类，并使用全局阈值分割进行预处理。在第一阶段进行了图像采集和去噪，第二阶段利用 ML 技术实现了分类和回归。在此提出了一种用于脑部疾病和肿瘤的 MRI 脑部图像计算机辅助自动检测系统。这项工作的计算方法是阈值分割，然后是 LR-ML 分类器。该实验包括来自实时 MRI 脑部数据库的 120 张脑部图像，其中 15 张正常，105 张异常。已获得 99.46% 的训练和测试图像准确率等性能指标。该技术与最近发表的技术相比，得出结论：具有 Th 分割的 LR-ML 具有快速、真实和准确的大脑诊断系统索引词：MRI 大脑图像、LR-ML、Th 分割、MIT 数据集和准确性。
解释回归的神经网络模型
摘要 — 已经提出了几种方法来解释深度神经网络 (DNN)。然而，据我们所知，只有分类网络被研究过，试图确定哪些输入维度促使了分类决策。此外，由于这个问题没有基本事实，因此结果只能定性地评估对人类有意义的结果。在这项工作中，我们设计了一个可以获得基本事实的实验数据库：我们生成理想信号和有误差的干扰信号，并训练一个神经网络来确定所述信号的质量。这个质量只是一个基于干扰信号和相应理想信号之间距离的分数。然后，我们试图找出网络如何估计这个分数，并希望找到发生错误的时间步骤和信号维度。这种实验设置使我们能够比较几种网络解释方法，并基于几次训练提出一种名为精确梯度 (AGRA) 的新方法，该方法可以减少大多数最先进结果中存在的噪声。比较结果表明，在定位信号中出现错误的时间步骤方面，所提出的方法优于最先进的方法。
利用遗传算法和二元回归树预测卫生人员计算机视觉综合症
1 阿斯图里亚斯中央大学医院，33011 奥维耶多，西班牙 2 奥维耶多大学数学系，33007 奥维耶多，西班牙； sanchezfernando@uniovi.es 3 奥维耶多大学工商管理系，33004 奥维耶多，西班牙； suarezana@uniovi.es (A.S.S.)； fjiglesias@uniovi.es (F.J.I.-R.) 4 阿利坎特大学光学、药理学和解剖学系，03690 阿利坎特，西班牙； mm.segui@ua.es * 通讯作者：evam.artime@sespa.es † 本文是会议论文的延伸：Artime Rí os, E.M.；桑切斯·拉什拉斯，F.；苏亚雷斯·桑切斯，A.； Iglesias-Rodríguez，F.J.；SeguíCrespo，M.M. 基于树和进化算法的预测医护人员计算机视觉综合症的混合算法。第 13 届国际会议论文集，混合人工智能系统 (HAIS)，奥维耶多，西班牙，2018 年 6 月 20 日至 22 日。