XiaoMi-AI文件搜索系统
World File Search SystemSurrogate
关于LTL目标的Bellman方程解决方案的唯一性
线性时间逻辑（LTL）目标的替代奖励通常用于LTL目标的计划问题。在广泛的替代奖励方法中，使用两个折现因素来确保预期收益近似于LTL目标的满意度。可以通过使用Bellman更新（例如增强学习）来估算预期的回报。但是，尚未明确讨论对贝尔曼方程的唯一性，并没有明确讨论两个折扣因素。我们证明了一个示例，即当将折扣因子之一设置为一个，如许多先前的作品中所允许的时，Bellman方程可能具有多个解决方案，从而导致对预期收益的评估不准确。然后，我们提出了一个条件，使钟手方程将预期的回报作为独特的解决方案，要求在拒绝底部连接的组件（BSCC）内的状态解决方案为0。我们证明这种情况是有足够的，可以证明具有折扣的州的解决方案可以与国家的解决方案分开而无需在这种情况下打折。关键字：马尔可夫链，极限确定性b - uchi automaton，可及性，b - uchi条件
代孕和人工智能：人工智能为何胜过家庭
摘要 算法预测价值观和偏好的准确性不断提高，这增加了人工智能技术能够作为无行为能力患者的代理决策者的可能性。继 Camillo Lamanna 和 Lauren Byrne 之后，我们将这项技术称为自主算法 (AA)。这种算法将挖掘医学研究、健康记录和社交媒体数据来预测患者的治疗偏好。开发 AA 的可能性引发了一个伦理问题：在患者未签发医疗授权书的情况下，AA 或亲属是否应该充当代理决策者。我们认为，在这种情况下，与赋予家庭代理人决策权的标准做法相反，AA 应该拥有唯一的决策权。这是因为 AA 可能更善于预测患者会选择哪种治疗方案。它也能更好地避免偏见，从而以更以患者为中心的方式做出选择。此外，我们认为这些考虑因素凌驾于患者与亲属的特殊关系的道德重量之上。
迈向支持数字孪生的多保真框架...
在本研究中，我们研究了一种用于模拟小型卫星的多保真框架。考虑到数字孪生的概念，我们的工作重点是处理持续的实时数据流。为此，我们调查了当前的时间序列多保真建模方法和低保真替代模型。多保真方法用于将低保真替代模型与高保真模型相结合。作为高保真模型，我们假设使用先前研究过的有限元模型。作为低保真模型，我们研究了基于自回归和循环神经网络的模型。通过协同克里金法，低保真度数据通过综合校正由高保真度数据校正，其中参数通过高斯过程给出，以执行不确定性量化。作为一种应用，提出了小型卫星的热模拟，以及将该框架与稀疏遥测数据结合使用。这种在线统计方法旨在提供一种执行故障检测的工具。
机器学习引导 - aqfep-a-fast-fast-fastic-absolute- ...
输入：目标函数f（x），采集函数α，替代模型ˆ f（x）和某些化学库d选择随机批次s⊂d评估目标f（x），以生成s∈S初始化的标签y s初始化，标记的数据（y y s）的标签集（y y s）用于t←1 to
基于人工智能的数字病理学揭示了脂肪...
•雄性C57BL/6J Gubra-氨基蛋白-NASH（GAN）饮食诱导的肥胖小鼠，具有组织学确认的NAS（≥5）（≥5）和纤维化阶段（F2-F3）（F2-F3），并用TVB-3664进行治疗，并用TVB-3664治疗（替代fasn infasn i抑制剂，nefanstattate demifate in if nifanStat，30 mg/kg，或30 mg/kg，或quut），或者NMOL/KG，SC，QD）单独或组合12周（丹麦Gubra）。
安德烈亚斯·阿德尔曼
粒子加速器物理与建模 II 2V 1U 加速器将被视为一个抽象的动态系统，我们将讨论非线性对带电粒子束动力学的影响。我们将介绍 Lie 方法与微分代数 (DA) 和截断幂级数 (TPS) 的结合。在第二部分中，我们将讨论使用神经网络和多项式混沌展开来构建此类非线性动态系统的替代模型。
2024 年卡罗莱纳州 MPN 研讨会
目标： 确定 MPN 患者的最佳治疗方法。 分析目前对分子反应的了解，将其作为临床意义的终点（如 MPN 中的总体生存率、无白血病生存率、无血栓生存率）的替代终点。 讨论 MPN 干细胞或造血干细胞微环境的潜在脆弱性，可以利用这些脆弱性进一步优化 MPN 治疗。
MF-lal：使用多保真潜在空间主动学习
当前的药物发现生成模型主要使用分子对接作为指导活性化合物产生的甲骨文。但是，这种模型在实践中通常没有用，因为即使是具有较高对接得分的化合物也不会始终显示出实验活动。存在更准确的活动预测方法，例如基于分子动力学的结合能量计算，但是在生成模型中使用它们在计算上太昂贵。为了应对这一挑战，我们提出了多保真潜在空间主动学习（MF-lal），这是一种生成的建模框架，将一组与成本准确性的折衷方案集成在一起。与以前分别学习替代模型和生成模型的方法不同，MF-LAL将生成性和多余的代孕模型结合到一个框架中，从而可以进行更准确的活动预测和更高质量的样本。我们使用一种新型的主动学习算法来训练MF-lal，以进一步降低计算成本。我们对两种相关疾病蛋白的实验表明，MF-LAL产生的化合物具有比其他单一单一和多忠诚方法更好的结合自由能评分。该代码可在https://github.com/rose-stl-lab/ mf-lal上找到。
可再生能源
采用由可再生能源提供支持的能源系统需要大量的经济投资。因此，选择适当大小的系统组件成为一个关键步骤，这受到其独特特征的显着影响。此外，可再生能源的可用性会随着时间而变化，并且估计可用性会引入相当大的不确定性。在本文中，我们提出了一种用于混合能源系统最佳设计的技术，该技术解释了与资源估计相关的不确定性。我们的方法基于随机编程理论，并采用替代模型使用前馈神经网络（FFNN）估算电池寿命。使用遗传算法（GA）和Poplar优化算法（POA）进行了系统设计的优化分析。我们通过假设的案例研究评估了所提出的技术的有效性。基于FFNN的替代模型的引入导致成本估算的近似误差为9.6％，电池寿命估计的近似值为20.6％。概率设计表明，能源系统成本比使用确定性方法获得的成本高25.7％。GA和POA都达到了可能代表全局最佳最佳的解决方案。
基于替代的量子优化...
变异量子算法是一类旨在用于近期量子计算机的技术。这些算法的目的是通过将问题分解为大量浅量子电路来执行大量量子计算，并通过经典的操作和每个电路执行之间的反馈补充。提高这些算法性能的一条途径是增强经典优化技术。鉴于经典计算资源的相对轻松和丰富的能力，有足够的机会这样做。在这项工作中，我们介绍了使用很少的实验测量来学习替代模型的替代模型，然后使用这些模型进行了参数优化，而不是原始数据。我们使用基于内核近似的替代模型来证明这一想法，通过该模型，我们使用嘈杂的量子电路结果批处理重建了各种成本函数的局部贴片。通过应用于量子近似优化算法和分子的基态制备，我们证明了基于替代物的优化优于常用算法的常用优化技术。