XiaoMi-AI文件搜索系统
World File Search Systemaffects
预测未来的学习会影响当前的控制决策
传染病疫情给决策者带来了一项艰巨的任务，需要在严格的时间限制和不确定性下实施控制策略。数学模型可用于预测控制干预的结果，在发生此类疫情时为决策者提供有用的信息。然而，这些模型在疫情爆发的早期阶段，由于缺乏有关疾病动态和传播以及控制效果的准确相关信息而受到影响。因此，这些模型提供的建议通常是在获得更可靠的信息后临时采纳的。在这项研究中，我们表明，这种反复试验的管理方法没有正式考虑不确定性的解决以及控制行动如何影响不确定性，可能会导致次优的管理结果。我们比较了三种管理理论流行病的方法：非自适应管理 (AM) 方法，不使用实时疫情信息来调整控制；被动 AM 方法，在实时信息可用时将其纳入；主动 AM 方法，通过收集实时信息明确将未来的不确定性解决方案纳入其初始建议中。主动 AM 的结构化框架鼓励指定可量化的目标、系统行为模型和可能的控制和监控行动，然后是迭代学习和控制阶段，该阶段能够采用复杂的控制优化并解决系统不确定性。结果是一个管理框架，它能够提供动态的长期预测，以帮助决策者实现管理目标。我们详细研究了整合最新疫情信息的不同方法的效果。我们发现，即使在高度简化的系统中，整合新数据的方法也会导致不同的结果，从而影响初步的政策决策，而积极的 AM 管理方法可以提供更好的信息，从而导致流行病产生更理想的结果。2020 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY 许可协议开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
在公平抽样假设下，后选择如何影响与设备无关的声明
设备独立认证采用贝尔测试来保证设备正常运行，该测试仅基于观察到的测量统计数据，即不对设备的内部功能做出假设。当使用效率过低的设备实施这些贝尔测试时，必须后选择导致成功检测的事件，从而依赖于公平采样假设。本文我们讨论的问题是公平采样下设备独立认证还剩下什么。我们根据滤波器提供后选择的直观描述，并将公平采样假设定义为这些滤波器的一个属性，与参考文献 [1] 中引入的定义等同。当满足此假设时，后选择数据将通过理想实验重现，其中无损设备测量滤波状态，该状态可以通过局部概率图从实际状态获得。因此，可以就此滤波状态的量子特性得出可信的结论，并且可以可靠地使用相应的测量统计数据，例如，用于随机性生成或量子密钥分发。我们还探索了更强大的公平采样概念，从而得出结论：后选数据是通过无损检测获得的数据的公平表示。此外，我们表明，我们的结论在与精确公平采样有小偏差的情况下仍然成立。最后，我们描述了以前或可能在公平采样下用于贝尔型实验的设置，并确定了底层的设备特定假设。