XiaoMi-AI文件搜索系统
World File Search SystemUncertainty
上下游不确定性下的投资
⋆ Grigoris：爱荷华大学蒂皮商学院，帕帕约翰商务大楼，爱荷华市，爱荷华州 52242，美国（电子邮件：fgrigoris@uiowa.edu）；Segal（通讯作者）：北卡罗来纳大学教堂山分校凯南-弗拉格勒商学院，麦科尔大楼，教堂山，北卡罗来纳州 27599，美国（电子邮件：Gill_Segal@kenan-flagler.unc.edu）。我们感谢 Vikas Agrawal、Hengjie Ai（评论员）、Ravi Bansal、Matteo Binfar`e、Nick Bloom、Daniel Carvalho、Bhagwan Chowdhry、Riccardo Colacito、Andrea Eisfeldt、Jack Favilukis、Michael Gallmeyer（评论员）、Jon Garfinkel、Lorenzo Garlappi、Naveen Ghondi（评论员）、Christian Heyerdahl-Larsen、Lixin Huang（评论员）、Philipp Illeditsch、Rustom Irani（评论员）、Ravi Jagannathan、Gustavo Joaquim（评论员）、Shane Johnson、Preetesh Kantak、Lars-Alexander Kuehn（评论员）、Erik Lie、Sydney Ludvigson、Michael O'Doherty、Richard Peter、Pavel Savor（评论员）、Petra Sinagl、Michael Woeppel、Wei Wu（评论员）、Keer Yang （讨论人）、Nancy Xu 和 Michael Young，以及印第安纳大学、爱荷华大学、密苏里大学、西澳大利亚大学、韩国商学院、北卡罗来纳州立大学、弗吉尼亚大学、宾夕法尼亚州立大学、2024 年计量经济学会会议、2022 年中西部金融协会年会、2022 年青年学者金融联盟、2022 年金融经济与会计会议、2022 年金融管理协会年会、2022 年东部金融协会年会、2021 年印度商学院暑期研究会议、2021 年北方金融协会年会、2021 年欧洲经济协会年会、2021 年沃巴什河金融会议、2021 年新西兰金融会议、第 34 届 AFBC 和 2021 年金融市场与公司治理会议、2023 年 SITE - 资产定价和 2023 年 SITE 的研讨会参与者- 不确定性和波动性，提供有用的评论和建议。所有错误都是我们自己的。
不确定性吸引模块化的设计和分析...
我们提出了不确定性感知的模块化自治堆栈的框架，以描述利用不确定性定量（UQ）的现代机器人系统。在论文的第一部分中，我们引入了导航框架的实现。我们提出了一条新型管道，以从使用保形预测的轨迹预测模型以及一种利用这些集合的安全保证的计划方法中获得概率安全且可行的可行性集合。我们通过实际的自动驾驶数据以及波音车辆的实验来展示管道在仿真中的功效。在第二部分中，我们通过研究使用UQ的系统范围的影响，对框架进行了分析。我们使用级别设置估计工具来有效地量化系统的鲁棒性和校准，即使评估过程成本很高。我们将分析应用于两个现实的行业级系统。我们发现，在存在输入误差的情况下，UQ改善了整体系统的鲁棒性，尽管上游的错误输出错误，但UQ使下游模块能够提供校准的输出。
量化可再生能源系统中的不确定性成本
1 新莱昂自治大学机械工程与电气学院 墨西哥 2 哥伦比亚国立大学电气工程系 哥伦比亚 摘要：- 可再生能源在电力系统中的增加和整合意味着经济调度 (ED) 成本和生产中的不确定变量的增加，目前对批发电力市场 (MEM) 有重大影响。不确定性成本是指与风能、太阳能或水力发电等可再生能源发电固有的变化相关的额外费用或经济损失的量化。因此，本文提出了与成本高估和低估以及 CVaR 相关的确定性方程，以建模和评估与可再生能源整合相关的风险的随机性，使系统运营商和规划人员能够做出明智的决策。在元素渗透率高的能源系统中减轻或利用上述风险，主要是智能网络。在本研究中，使用由太阳能发电的概率密度函数 (PDF) 产生的功率形成的直方图谱进行数学分析，尽管可以考虑其他类型的函数来确定能量产生。所提出的模型的目的是为系统运营商提供另一种用于能源管理和规划的工具，这可以减轻一点计算负担，同时通过使用数据库，使结果更精确。如果这些值可用，则使用历史数据。通常，对于这种类型的分析，在集成这些函数时使用密度函数的概率计算来估计值，或者在其他最近的情况下，通过使用相同函数的分析方法来估计它们。通过将结果与蒙特卡罗模拟进行比较来验证该模型，仅从“低概率发电极值”中得出不确定性的总成本。此外，结果通过分析不确定性成本函数 (AUCF) 呈现。该分析包括使用确定性方程计算由条件风险价值 (CVaR) 确定的低概率和高概率能源发电的不确定性成本。关键词：- 分析不确定性、条件风险价值、经济调度、直方图、低概率、数学建模、蒙特卡罗、概率密度函数、不确定性成本、风险。收到日期：2024 年 4 月 14 日。修订日期：2024 年 9 月 7 日。接受日期：2024 年 10 月 11 日。发布日期：2024 年 11 月 13 日。
U空间中的自主分离：评估位置不确定性的影响
摘要 - 随着无人空中系统（UAS）在医疗和包裹交付等商业应用中的使用迅速增加，空间中安全空降分离的需求已变得至关重要。本文探讨了位置不确定性对U空间内自动分离方法的影响，U Space是欧盟管理无人机交通的计划。该研究的重点是评估各种冲突解决算法（特别是修改的电压电位（MVP）和速度障碍物（VO）变化）在导航不确定性的条件下。通过使用Bluesky ATM模拟器的蒙特卡洛模拟，对全球导航卫星系统（GNSS）错误产生的位置不确定性进行了建模和分析。该研究比较了不同冲突解决策略在防止UAS之间发生冲突，衡量入侵预防率和接触过程中最接近的接近点的有效性。结果表明，MVP在处理位置不确定性方面具有出色的性能，比基于VOVO的方法具有更强的强大冲突解决能力，尤其是在浅角度冲突情况下。这些发现对于确保UAS的安全整合到越来越拥挤的空域环境，指导U空间操作的未来发展至关重要。
人工智能工具在减少医学不确定性方面的潜力以及医学教育的方向
在医学领域，不确定性是与生俱来的。医生每天都需要做出没有完全确定性的决定，无论是了解患者的问题、进行身体检查、解释诊断测试的结果，还是提出治疗计划。造成这种不确定性的原因很广泛，包括对患者缺乏了解、医生个人的局限性以及客观诊断工具的预测能力有限。这种不确定性给提供称职的患者护理带来了重大问题。研究工作和教学旨在减少医学中固有的不确定性。尽管如此，不确定性仍然猖獗。人工智能 (AI) 工具正在迅速发展并融入实践，可能会改变我们应对不确定性的方式。在最强大的形式中，AI 工具可能能够改善疾病、患者信念、价值观和偏好的数据收集，从而为医患沟通留出更多时间。通过使用以前未考虑过的方法，这些工具有可能减少医学中的不确定性，例如由于缺乏临床信息和提供者技能和偏见而产生的不确定性。尽管有这种可能性，但在医疗实践中实施 AI 工具仍面临相当大的阻力。在这篇观点文章中，我们讨论了人工智能对医疗不确定性的影响，并讨论了在医学院和住院医师培训计划中教授使用人工智能工具的实用方法，包括人工智能伦理、现实世界技能和技术能力。
Clef 2024 Joker任务2：根据类型和技术使用BERT和随机森林分类器进行幽默分类
抽象的自主机器人用于以人为中心的环境（例如办公室，餐馆，医院和私人住宅）进行协作和合作的任务。这些活动要求机器人以社会可接受的方式吸引人们，即使他们犯了错误。由于技术或环境局限性（例如多模态观测值不匹配），机器人会导致通知失败。虽然无法完全避免这些错误，但仍然有必要最大程度地减少它们。在本文中，我们希望通过使用对比言语和非语言的多个提示来使用讽刺，以允许机器人隐藏其相互作用信号的不确定性。结果表明两种态度之间的某些差异，例如机器人的独立性和自信。
尼日利亚的经济政策不确定性、制度质量和可再生能源转型
活动往往会带来不断增长的能源需求，这可能会激励人们转向更清洁、更可持续的能源。同样，跨国公司的影响也各不相同，第 10 分位数的系数为负，第 10 分位数的系数为正，并且仅在中位数百分位数显著。这表明存在潜在的长期影响。
财务欺诈检测中的新颖方法：混合机器学习和基于不确定性的深度学习
摘要。欺诈检测在各个行业，尤其是在金融部门中起着至关重要的作用，在金融部门中，防止欺诈活动对于减少损失和维持消费者信任至关重要。本文解决了欺诈检测的关键挑战，包括数据失衡和不确定性，这通常会阻碍检测模型的有效性。为了克服这些挑战，我们探索了传统的机器学习方法，并介绍了两种新颖的方法来实现检测能力。首先，我们提出了一条混合管道，该管道既整合受监督和无监督的学习技术，从而更准确地识别欺诈活动。通过这种混合模型，我们在传统模型上展示了性能指标的迹象，有效地解决了数据不平衡造成的局限性。其次，我们开发了一种新颖的深度学习模型，将不确定性纳入其框架中。该模型专门设计用于处理现实世界欺诈检测方案中存在的固有的不确定性，从而使更强大且可靠的检测出现在外。我们使用公开可用数据集的经验评估表明，这种新的深度学习方法优于不考虑不确定性的类似模型。通过将不确定性管理整合到模型的结构中，我们在欺诈检测中实现了更高的准确性和可靠性。这些发现突出了解决欺诈检测中数据不平衡和不确定性的重要性，并证明了混合和深度学习模型的潜力，以增强电子商务和其他财务应用中欺诈检测系统的性能。
量化基础模型中的不确定性和幻觉
问题的重要性和新颖性。现有的UQ方法主要是针对犯罪模型的，这些方法用于分类或回归任务。这些方法虽然对图像分类或二进制决策等任务有效，但并不能很好地转化为基于LLM的自回旋模型（Brown等人。，2020年； Thoppilan等。，2022; Touvron等。，2023）。自回旋模型顺序生成令牌，其中每个输出取决于上一个。此结构引入了不确定性量化的独特挑战。首先，在自回旋模型中，产生了不确定性化合物，因此很难捕获模型对序列的置信度的幅度。llms动态适应了前面的上下文，随着模型通过文本或多模式序列的形式导致不确定性的变化。对于llms处理文本和图像模式（例如GPT-4），由于输入和输出空间的多模式性质，不确定性量化变得更加复杂。传统的UQ方法难以考虑交叉模式的相互作用，在这种互动中，一种模式中的不确定性（例如，图像理解）会影响另一种方式（例如，文本生成）。llms的另一个明显挑战是人类反馈的有限精度。现有用于校准模型的技术取决于对地面真相标签的访问。相比之下，使用LLMS没有真正的标签，一个只能访问少数几代人的相对偏好。此外，对理论框架的需求越来越大，可以有效地分析和预测分布（OOD）场景中的模型行为，在这种情况下，不确定性对于确定模型何时可能不可靠的不确定性至关重要。要应对这些挑战，UQ方法必须从量身定制的传统方法转变为判别模型，并采用新技术，这些技术可以解释自动回归模型的复杂依赖性和动态性质。
肺癌多基因风险评分（PR）对个人水平不确定性对风险分层的影响
抽象背景尽管多基因风险评分（PRS）已成为预测全基因组关联研究（GWAS），肺癌PR的个体准确性以及其对后续临床应用的影响程度的有前途的工具。Methods Lung cancer PRSs and confidence/credible interval (CI) were constructed using two statistical approaches for each individual: (1) the weighted sum of 16 GWAS-derived significant SNP loci and the CI through the bootstrap‑ ping method (PRS-16-CV) and (2) LDpred2 and the CI through posteriors sampling (PRS-Bayes), among 17,166 lung cancer cases and来自国际肺癌财团的欧洲血统的12,894个对照。根据自己的PRS平均/PRS CI与人口水平阈值之间的关系，将个体分为不同的遗传风险亚组。在两种方法的平均标准偏差（S.D.）PRS-16-CV和更大的S.D. 为0.12。 为PRS-Bayes的0.88。 使用PRS-16-CV，只有25.0％的PRS估计值最低的PRS点估计值，而最高十分位数中只有16.8％的人分别以最低和最高的十分位数完全包含其整个95％CI，而PRS-Bayes则无法找到任何合格的人。 使用两个PRS估计量，只有19％的个体一致地确定为具有高遗传风险（> 90％）。 在PRS-16-CV CI鉴定的个体中始终观察到具有较高AUC的风险预测性能，并且最好的风险性能是最好的为0.12。为PRS-Bayes的0.88。使用PRS-16-CV，只有25.0％的PRS估计值最低的PRS点估计值，而最高十分位数中只有16.8％的人分别以最低和最高的十分位数完全包含其整个95％CI，而PRS-Bayes则无法找到任何合格的人。使用两个PRS估计量，只有19％的个体一致地确定为具有高遗传风险（> 90％）。在PRS-16-CV CI鉴定的个体中始终观察到具有较高AUC的风险预测性能，并且最好的风险性能是最好的在考虑CI时，观察到最高的PRS百分位数与最低的相对风险增加（OR = 2.73，95％CI：2.12–3.50：2.12–3.50，p -value = 4.13×10 -15）与使用PRS -16 -CV的平均值相比）。