XiaoMi-AI文件搜索系统
World File Search SystemSVMS
具有算法交易的股票市场最佳获利策略
摘要：机器学习（ML）技术正在越来越多地应用于金融市场，以分析趋势和预测股票价格。在这项研究中，我们比较了嵌入股票交易策略的各种ML算法的价格预测和利润绩效。数据集包含来自中国股票市场CSI 300指数的每日数据，大约17年（2006- 2023年）。我们将投资者情感指标和相关财务因素作为特征纳入。我们训练有素的模型包括支持向量机（SVM），逻辑回归和随机森林。结果表明，SVM模型的表现优于其他模型，在回测的60.52％的超额回报中获得了令人印象深刻的超额回报。此外，我们的研究将标准预测模型（例如Lasso和LSTM）与建议的方法进行了比较，为选择ML算法的用户提供了有价值的见解。最终，这项工作是未来财务应用中知情算法选择的基础。
用于机器学习的变异量子电路。检测弱信号的应用
摘要：量子计算是许多计算应用程序的新范式。本研究介绍了目前可用于物理实施量子和量子门的技术，建立了其主要优势和缺点，以及用于编程和实施量子电路的可用框架。量子计算的主要应用之一是开发机器学习的新算法。在本研究中，描述了基于支持向量机（SVM）的量子电路的实现，以解决分类问题。该电路是专门为当前可用的嘈杂的中间量子量子（NISQ）计算机设计的。作为一个实验，基于超导量子的实体计算机对电路进行了测试，以检测未来弱信号的应用。弱信号是初期变化的指标，它将带来未来的影响。即使对于专家来说，这些事件的检测也很复杂，因为现在预测这种影响还为时过早。通过实验获得的数据显示出令人鼓舞的结果，但也证实了仍需要进行技术发展的数据以充分利用量子计算。
用于机器学习的变异量子电路。检测弱信号的应用
摘要：量子计算是许多计算应用程序的新范式。本研究介绍了目前可用于物理实施量子和量子门的技术，建立了其主要优势和缺点，以及用于编程和实施量子电路的可用框架。量子计算的主要应用之一是开发机器学习的新算法。在本研究中，描述了基于支持向量机（SVM）的量子电路的实现，以解决分类问题。该电路是专门为当前可用的嘈杂的中间量子量子（NISQ）计算机设计的。作为一个实验，基于超导量子的实体计算机对电路进行了测试，以检测未来弱信号的应用。弱信号是初期变化的指标，它将带来未来的影响。即使对于专家来说，这些事件的检测也很复杂，因为现在预测这种影响还为时过早。通过实验获得的数据显示出令人鼓舞的结果，但也证实了仍需要进行技术发展的数据以充分利用量子计算。
我们真的在文本分类方面取得了很大进展...
我们分析了跨知名数据集的单标签和多标签文本分类的各种方法，将其分类为单词袋，基于序列，基于图和层次结构的方法。尽管基于图的模型，但仅编码的预先训练的语言模型（尤其是BERT）仍然是最先进的方法。然而，最近的发现提出了更简单的模型，例如逻辑回归和基于Trigram的SVM的表现优于新技术。虽然仅解码的生成语言模型在学习有限的数据方面表现出了希望，但它们却落后于仅编码模型的性能。我们强调了歧视语言模型（例如BERT）比生成模型的优越性。此外，我们高度阐明了文献在方法比较中缺乏鲁棒性，尤其是关于基本的超参数优化，例如仅通过编码器的语言模型中的学习率。数据可用性：源代码可在https://github.com/drndr/multilabel-text-clf上找到。除NYT数据集外，用于我们实验的所有数据集均可公开使用。
线性规划中心路径法量子加速方法的实证评估
线性规划 (LP) 是理论和实践科学与工程领域的重要工具。它被广泛应用于解决各个领域的优化问题，包括运筹学、工程学、经济学，甚至组合学等更抽象的数学领域。LP 可应用于机器学习和数值优化。LP 的一些应用示例包括ℒ1 正则化支持向量机 (SVM) [1]、基追踪 (BP) 问题 [2]、稀疏逆协方差矩阵估计 (SICE) [3]、非负矩阵分解 (NMF) [4]、MAP 推理 [5] 和对抗性深度学习 [6,7]。Fung 等人 [8] 介绍了一种学习核函数的技术，该核函数是其他半正定核的线性组合。他们展示了如何利用对角优势约束通过线性规划获得近似核。此方法可用于使用混合核进行特征选择。这是线性规划在计算支持向量机核中的一个重要用途。本段中提到的结果说明了线性规划在解决优化问题中的实用性
内核和量子机器学习
摘要：支持向量机 (SVM) 和核方法 (KM) 被广泛用于数据学习中的分类和回归。核是将数据映射到更高（可能是无限）维度的正定函数。通常，SVM 1 将核方法实现为子程序，将非线性数据映射到更高维度，使其变为线性可分。SVM 在此特征空间中的数据点类别之间绘制线性决策边界。本文从经典机器学习的角度回顾了核和核方法及其在量子机器学习中的可能实现。我们从核的基础开始，包括希尔伯特空间和再生核希尔伯特空间、Mercer 条件，并证明了三个广泛使用的核满足 Mercer 条件的有效性。我们回顾了两种不同的量子机器学习方法，即参数化量子电路和基于核的训练，并讨论了其中一种相对于另一种的潜在优势。本文可以帮助读者开始了解核理论和量子机器学习。
人工智能和骨科艺术状态...
人工智能（AI）正在通过提高诊断准确性，手术计划和个性化治疗方法来迅速改变医疗保健，尤其是在骨科中。本评论探讨了AI在骨科中的当前应用，重点是其对诊断和手术程序的贡献。关键方法，例如人工神经网络（ANN），卷积神经网络（CNN），支持向量机（SVM）和集成学习，具有显着改善的诊断精度和患者护理。例如，基于CNN的模型在断裂检测和骨关节炎等级等任务中表现出色，具有高灵敏度和特异性。在手术环境下，AI通过机器人援助和优化术前计划增强了程序，有助于假肢尺寸和最小化并发症。此外，术后护理期间的预测分析可实现量身定制的康复计划，以改善恢复时间。尽管有这些进步，但诸如数据标准化和算法透明度之类的挑战阻碍了广泛采用。解决这些问题对于最大程度地发挥了AI在骨科实践中的潜力至关重要。本综述强调了AI与临床专业知识之间的协同关系，强调了增强诊断和简化外科手术程序的机会，最终推动了以患者为中心的护理。
实用的贝叶斯优化机器学习算法
机器学习算法的使用经常涉及对学习参数的仔细调整和模型超参数。不幸的是，这种调整是一种“黑色艺术”，需要专家经验，经验法规或有时是蛮力搜索。因此，自动方法可以很好地呼吁，可以优化任何给定的学习算法的性能。在这项工作中，我们通过贝叶斯选择的框架来考虑这个问题，其中学习算法的概括性能是从高斯过程（GP）中建模为样本的。我们表明，对于GP性质的某些选择，例如内核的类型及其超级参数的处理，可以在获得可以实现专家级别的良好优化器方面发挥至关重要的作用。我们描述了新的算法，这些算法考虑了学习算法实验的可变成本（持续时间），并且可以利用多个内核的主体进行并行实验。我们表明，这些提出的算法可以改善以前的自动过程，并且可以针对许多算法（包括潜在的Dirichlet分配，结构化SVM和卷积神经网络）达到或超越人类专家级别的优化。
量子人工智能的圣杯
人工智能本身对于软件工程艺术来说一直很难掌握，也许是因为传统软件工程专注于保持初始一致性（即确保生成的工件符合先前的规范）[21]，而人工智能方法通常从高度混乱的初始配置开始[7]，并且仅逐步引入规则和结构。在将严格工程原则应用于更复杂、适应性更强、固有自治的系统的道路上，已经提出并尝试了各种研究方向（参见[14、22、40、51]等）。作为这些方法的示例，请考虑图 1：经典的软件工程方法保持为一个反馈回路，通常由人类开发人员推动，而运行时发展系统的新方法则作为另一个反馈回路添加，通常由自适应和学习驱动[26]。然而，有各种各样的算法允许自适应和学习，从简单的统计方法（如 SVM 或聚类）到深度神经网络，并且集成这些算法的具体方法也存在很大的差异。在 [22] 中，我们引入了机器学习管道作为许多不同机器学习方法的过程模型，即它是一个
使用各种机器学习算法评估电力需求预测
能源部门在很大程度上依赖于电力负载预测的各种机器学习算法，该算法在制定发电和发电的政策中起着关键作用。功率载荷预测的精度取决于反映数据中非线性特征的许多因素。值得注意的是，机器学习算法和人工神经网络已成为当代电力负载预测中必不可少的组件。这项研究专门针对机器学习算法，涵盖支持向量机（SVM），长期短期记忆（LSTM），集合分类器，复发性神经网络和深度学习方法。该研究通过利用过去5年来利用昌迪加尔UT电力数据来精心研究短期电力负载预测。对预测准确性的评估利用了指标，例如归一化平方误差（NMSE），均方根误差（RMSE），平均绝对误差（MAE）和相互信息（MI）。与其他算法相比，LSTM的预测结果表明，LSTM的性能出色，预测误差是LSTM中最低的，而SVM中的误差最低，高13.51％。这些发现为不同机器学习算法的优势和局限性提供了宝贵的见解。使用MATLAB R2018软件进行了建议的方法的验证实验。