XiaoMi-AI文件搜索系统
World File Search SystemStochastic
初始翼盒结构中的随机建模...
本文介绍了一种利用自动化工具在概念设计过程早期考虑机翼结构刚度和气动弹性的方法。由于机翼非结构质量（如燃油负荷和控制面）的不确定性和可变性很高，因此在概念设计过程中，可以用随机模型很好地表示刚度和气动弹性。为了实现这一点，我们改进了现有的设计工具，利用基于规则的自动化设计从特定的机翼外模线生成机翼扭矩盒几何形状。对挠度和推断刚度的简单分析表明，早期概念设计选择会极大地影响结构刚度。本文讨论了设计选择的影响以及屈曲约束如何在特定示例中驱动结构重量。本文为模型的进一步研究做准备，包括有限元模型 (FEM)，以分析用于气动弹性分析的所得模态形状和频率。
连续的随机梯度方法：第I部分
摘要在此贡献中，我们介绍了连续随机级别（CSG）方法的完整概述，包括收敛结果，步长规则和算法见解。我们考虑了目标函数需要某种形式集成的优化问题，例如预期值。由于通过固定的正交规则近似近似集成可以将人工局部解决方案引入问题，同时同时提高计算工作，因此在这种情况下，随机优化方案变得越来越流行。但是，已知的随机梯度类型方法通常仅限于预期的风险功能，并且本质上需要许多迭代。后者特别有问题，如果评估成本函数涉及求解多个状态方程，例如，以部分差异方程的形式给出。为了克服这些缺点，最近的一篇文章介绍了CSG方法，该方法通过计算依赖设计的集成权重的旧梯度样本信息重复了旧的梯度样本信息，以获得与完整梯度的更好近似值。在原始的CSG纸张收敛中是为了减小的步长而建立的，但在这里，我们提供了CSG的完整收敛分析，用于恒定步长和Armijo-type线路搜索。此外，提出了获得集成权重的新方法，将CSG的应用范围扩展到涉及较高维积分和分布式数据的问题。
动态随机车间调度问题...
这项研究介绍了一个不可靠的随机工作店，随机工作。由于分析解决问题的某些复杂性，基于仿真的优化被这里采用。该问题是在企业动力学软件中建模的，并且使用Taguchi方法获得了决策变量的最佳值。这项研究有三个决策变量和两个目标。目标是MakePan和持有，短缺和维护成本的总和。这项研究努力获得调度规则的最佳价值，预防性维护时间和缓冲级，以最大程度地减少目标函数。通过数值问题和适当的调度规则，确定最佳预防性维护期和最佳缓冲区级别来评估所提出的方法。此模型可用于处理时间和失败的任何目标函数以及任何分布功能。这项研究的新颖性可能是考虑到失败的作业店，在动态条件和随机处理时间和失败时间以及随机的工作到达中。
全球变暖加速度：原因和后果
Diffusion models [17, 33, 35] have emerged as a promising generative approach to produce high- quality samples, which is observed to outperform generative adversarial nets on image and audio synthesis [9, 23], and underpins the recent success in text-to-image creators such as DALL · E2 [30] and Stable Diffusion [31], and the text-to-video generator Sora [26]。尽管不同的使用模型可以捕获复杂且高维数据分布，但它们可能与偏见或公平关注的来源相比[25]，并且训练过程（尤其是对于上述大型模型）会占据相当大的时间和extert。就产生的样品质量和可控性而言，对改善分解模型的兴趣越来越大。一种直接的方法是使用预验证的（Di usion）模型作为基本模型来定制为特定任务定制的采样器。例如，在图像/视频生成中，我们旨在提高散析模型，以增强美学质量并防止扭曲的内容。随着人类相互交互平台（例如Chatgpt）的出现，有很大的需求将生成模型与用户/人类的偏好或反馈保持一致。最近的工作[2，11，12]提出了通过增强学习（RL）和[44]通过直接偏好优化进行填充模型。在这些工作中，奖励功能是通常学习的统计模型，例如图像生成中的美学奖励是人类评估者真正美学偏好的排名模型。上面的方法允许将扩散模型填充以生成具有较高名义奖励的样品。有限数量的人类评级。）但是，它们可能导致灾难性的遗忘或奖励崩溃[36]，这是一种指的现象，指的是过度付出的奖励（例如，由例如换句话说，就某些可能无法概括的人等级分数而言，分散模型是对某些人评分的细分。专门利用奖励也损害了多样性，这是生成建模的核心。为了减轻奖励崩溃并增强多样性，[41]提议在损失目标中添加相对于预算模型的熵调节器。这产生了熵调查的细胞调整，这是预处理模型产生的倾斜度倾斜，可以看作是“软”的分歧指导[9，18]。开发了一种随机控制方法来效仿
随机前沿建模的机器学习方法
摘要我们提出了一个两阶段的随机前沿模型，该模型可以处理复杂的非线性模式。在第一阶段，我们应用面板数据神经网络来预测贬低的误差项。在第二阶段，我们将传统的随机前沿分析应用于残差以获得效率估计。为了说明我们的方法论，我们使用季度数据来估算从1984年第一季度到2010年第二季度美国大型银行的技术效率。在此期间，美国银行的平均效率为93.97％。2004年第二季度到2008年第四季度，这些银行的中位效率明显低于总平均水平，平均为87.86％。这与此期间经历的财务状况一致。关键字：效率；面板数据；神经网络；机器学习；随机前沿分析jel分类：C23，C45，D24，G21。2024年5月30日。
双层随机定价的滚动范围方法...
高效生产、分配和消耗能源是我们这个时代面临的最重要挑战之一。随着分布式发电 (DG) 在全球能源结构中的重要性日益增加，生产水平比以往任何时候都更难预测。为了避免损失或停电，必须找到新的解决方案：让需求适应生产，而不是相反，这种做法越来越受欢迎，可以提高电网的运行效率。赋予需求曲线所需形状的概念被称为需求侧管理 (DSM) [Kreith and Goswami，2016]，它可以通过多种技术来实现。在这些技术中，负荷转移包括转移部分需求，方法是提前或推迟电力消耗 [Wang et al.，2016]。在本文中，负荷转移是唯一考虑的 DSM 技术。当然，应用 DSM 技术只能在智能电网环境中进行，在智能电网环境中，广泛的通信手段确保配电网络各个参与者之间的数据传输，特别是在能源供应商和消费者之间 [Farhangi，2010，Ka-balci，2016]。在 Alekseeva 等人 [2018] 的研究中，电力供应商的目标是最大化其利润，因为他们知道其客户将根据供应商提供的价格优化其消费。在 Afşar 等人 [2016] 的研究中也发现了类似的模式，其中供应商的目标在于 m
飞机适航性。第 1 部分。随机模型
摘要。有人认为，由于飞机性能固有的随机变化，有必要采用随机方法进行适航性分析。然后表明，机队服务中任何性能变量的历史最好被视为“随机校正过程”，其特点是缓慢恶化，大修时迅速改善。特别考虑飞机发动机熄火起飞爬升性能，提出了一个模型，该模型考虑了由于机身、发动机和螺旋桨（如果有）的恶化而导致的梯度变化、大修的频率和有效性，以及在任何飞行中实现的梯度与飞机真实能力的偏差。在分析大修的影响时，需要区分整改维护和更换维护。在提出的模型中，共有 14 个参数控制着机队历史中实现的梯度的概率分布，从而控制着起飞爬升期间的事故率。
用户级差分私有随机凸优化
我们在用户级别的隐私下研究了差异化私有随机凸优化（DP-SCO），每个用户可以持有多个数据项。用户级DP-SCO的现有工作要么需要超多项式运行时[Ghazi等，2023b]，要么要求用户数量在问题的维度上以额外的严格影响[Bassily and Sun，Sun，2023]在问题的维度上生长。我们为用户级DP-SCO开发了新的算法，这些算法在多项式时间内获得了凸面和强烈凸功能的最佳速率，并要求用户数量仅在维度上对数增长。我们的算法是第一个在多项式时间内获得非平滑函数的最佳速率。这些算法基于多通道DP-SGD，与集中数据的新型私人平均估计程序合并，该过程在估算梯度的平均值之前对较高的删除步骤进行了分类。
通过随机差异基于得分的扩散模型...
和连续扩散模型，因为SDE指定的扩散模型可以视为离散模型的连续限制（第3节），并且通过合适的时间离散化从连续模型中获得离散扩散模型（第5.3节）。观点是SDES揭示了模型的结构属性，而离散的对应物是实际的实现。本文的目的是为基于分数的扩散模型的最新理论提供教程，主要是从统计重点的连续角度来看。也将提供离散模型的参考。我们为大多数已陈述的结果绘制证明，并且仅在分析至关重要时才给出假设。我们经常使用“在适当条件”的“在适当条件下”的短语，以避免不太重要的技术细节，并保持简洁和关注点。该论文是对该领域的温和介绍，从业者将发现一些分析对于设计新模型或算法有用。在这里首次出现一些结果（例如，在第5.2、6.2和7.3节中）。由于采用了SDE公式，因此我们假设读者熟悉基本的随机演算。ØKksendal的书[50]提供了一个用户友好的帐户，以进行随机分析，并且更高级的教科书是[34，68]。另请参见[76]有关扩散模型的文献综述，以及[8]进行优化概述，并具有更高级的材料，例如扩散指导和微调。本文的其余部分如下组织。具体示例在第3节中提供了。在第2节中，我们从扩散过程的时间反转公式开始，这是扩散模型的基石。第4节与分数匹配技术有关，这是扩散模型的另一种关键要素。在第5节中，我们考虑扩散模型的随机采样器，并分析其收敛性。在第6节中，确定性采样器 - 引入了概率流，以及其应用于一致性模型。在第7节中给出了分数匹配的其他结果。总结说明和未来的指示在第8节中总结了。
差异私有随机凸的速度更快...
保留培训数据的隐私已成为一个重要的考虑因素，现在对于机器学习算法来说是一项艰巨的任务。要解决隐私问题，依从于密码学的差异隐私（DP）（Dwork等，2006）是一个强大的数学保存计划。它允许进行丰富的统计和机器学习分析，现在正成为私人数据分析的事实上的符号。保证差异隐私的方法已被广泛研究，最近在行业中采用（Tang等，2017； Ding等，2017）。作为机器学习和差异隐私社区中最重要的问题之一，在过去的十年中，DP模型中的经验风险最小化问题（即DP-erm）在（Chaudhuri等人，2011年）开始，已经在过去的十年中进行了很好的研究，例如（Bassily等，2014; Bassily等，2014; Wang et ant; Jin，2016年，Kifer等人，2017年，Wang等人，2018a，2019b；dp-dp-erm，其人口（或预期）版本，即私人的固定式凸优化（DP-SCO），近年来从（Bassily等，2014）开始受到很多关注。特定于（Bassily等，2019）首先提供了DP-SCO的最佳速率，具有（ϵ，δ）-DP的一般凸损耗函数，这与DP-MERM中最佳速率不同。后来（Feldman等，2020）通过提供一般性定位技术，将此问题扩展到强烈凸出和（或）非平滑案例。此外，如果损耗函数平滑，它们的方法具有线性时间复杂性。对于非平滑损失函数，（Kulkarni等，2021）最近提出了一种仅需要亚限级梯度复杂性的新方法。虽然已经有大量有关DP-SCO的研究，但问题仍然远远不够知名度。一个关键的观察结果是，所有以前的作品仅着眼于损失函数是一般凸或强凸的情况。但是，还有许多问题甚至比强凸功能强，或者落在凸功能和强烈凸功能之间。在非私人对应物中，各种研究试图通过对损失函数施加其他假设来获得更快的速度。并且已经表明，实现比一般凸损失函数速率快的速率确实可以（Yang等，2018; Koren and Levy，2015; van Erven等，2015），或者甚至可以达到与强凸的强劲速率相同的速率，即使函数也不强劲，karimi et al al an al al an al al and act al and act al and act an al al an al an al an al al an al al an al al al al al al al al al al al al al al al al al al al al al al al al al al a al al a al al act 201 v exe et a al and lie et as act 2010 8。 Al。，2017）。以此为动机，我们的问题是，对于具有特殊类别的人口风险功能的DP-SCO问题，是否有可能比一般凸的最佳人口和（或（或）强烈凸出案例的最佳人口风险率更快？在本文中，我们通过研究一些类别的人口风险功能来提供有效的答案。尤其是，我们将主要关注种群风险功能满足Tysbakov噪声条件（TNC）1的情况，其中包括强烈凸功能，SVM，SVM，ℓ1频繁的随机性优化和线性回归为特殊情况