XiaoMi-AI文件搜索系统
World File Search Systemayes
bn-bacarena：Bacarena的贝叶斯网络扩展，用于微生物群落的动态模拟
1 ，纳瓦拉大学，圣塞巴斯蒂大学工程学院，圣塞巴斯蒂，AN，20018年，西班牙2，2生物医学工程中心，大学校园，大学纳瓦拉纳瓦拉，纳瓦拉31009，西班牙31009，西班牙31西班牙3号研究所，数据科学与人工智能学会（DATARARRA），纳瓦尔（Dataii Intifellient of Navarra）马德里28660号政治上的政治ecnica de Madrid大学，西班牙5地区和卫生局，卡洛斯三世卫生研究所，马德里28029，西班牙7，西班牙7营养学系，研究中心，研究中心，研究中心，研究中心，埃迪卡，布拉纳达大学的营养与技术研究所，布拉纳达研究所，研究所。 div>格拉纳达，格拉纳达大学，格拉纳达大学，18012年，西班牙对应。 div>纳瓦拉大学工程学院生物医学工程与科学系，纳瓦拉大学，曼努埃尔·德拉迪扎巴尔13号，圣塞巴斯蒂，AN，20018年，西班牙。 div>电子邮件：fplanes@technun.es（F.J.P。） div>电子邮件：fplanes@technun.es（F.J.P。） div>
因果网络的贝叶斯学习用于分布式能源系统的无监督故障诊断
这项工作部分由欧盟通过欧洲社会基金 (FSE) 资助，该基金隶属于欧洲凝聚力和领土复苏援助 (REACT-EU) 倡议，属于 2014-2020 年国家研究和创新行动计划 (PON) 的范畴，根据 Decreto Ministeriale [部长法令 (DM)] 1062/2021 合同 57-I-999-6。Federico Castelletti 的工作部分由 UCSC (D1 和 2019-D.3.2 研究补助金) 资助；部分由 MUR-PRIN 补助金 2022 SMNNKY-CUP 资助，由欧盟-下一代欧盟资助，补助金 J53D23003870008。所表达的观点和意见仅代表作者本人，并不一定反映欧盟或欧盟委员会的观点和意见。欧盟和欧盟委员会均不对此负责。
社论：贝叶斯和其他模型在翻译神经科学中的新应用
大脑和神经科学家的任务都是为了理解大量相互依存和不确定的变量（即概率）。这部分解释了为什么统计模型（尤其是贝叶斯模型）在分析神经数据的脑功能和方法论中都越来越突出。贝叶斯定理指定了将先前信念与概率推断中的数据相结合的最佳方法，其中1个是在不确定性下进行推理的强大工具（van Amersfoort等，2020）。在贝叶斯网络的框架内，可以通过贝叶斯定理的连续应用从观察数据中计算出通过条件依赖性网络相互关联的多个变量的值（或概率分布）。贝叶斯网络可以用作大型和一般的动力学现象类别的统计模型，并且可以使用专家知识构建或通过结构学习过程从数据中学到。最新的大脑功能理论表明，感知，认知和动作都可以富有成果理解为贝叶斯推论的形式，在这种形式上，世界内部生成模型被反转以拟合感官数据。该内部生成模型可以正式化为动态和层次深度的贝叶斯网络 - 即由多个（越来越抽象的）解释变量及时演变而来。在感知中，模型被更改以匹配感觉数据，而在动作中，更改了感官数据以通过所谓的活动推断匹配模型。反转该网络是通过预测处理来实现的，其中大脑活动主要编码模型生成的预测和感觉数据之间的差异，即预测错误。
糖尿病预测的幼稚贝叶斯 - 期刊Umy
取决于说服力的统计数据，全球糖尿病患病率的日益增长对于个人，家庭和国家来说是一个巨大的挑战。根据国际糖尿病联合会（IDF）的预测，到2045年，糖尿病成年人的数量预计将增加46％，达到7.83亿，即八分之一。应对这一日益严重的关注，这项研究探讨了使用全面的数据清洁和随机化技术来预测糖尿病的天真贝叶斯算法的实施。使用多种训练和测试分配比率进行了对模型性能的系统评估（65：35，75：25，85：15）。结果表明，该模型在65:35的拆分率上表现最佳，精度达到88.16％，精度为0.883，召回0.881和F1得分0.882。
金狮阿什顿海斯商业计划
执行摘要背景 Ashton Hayes 的金狮酒吧是村庄中历史悠久、使用率很高的资产，作为一家酒馆和餐厅，该酒吧有着出色的历史记录，曾在 1990 年代连续数年获得 Greenhalls 国家年度酒吧奖等多项国家级奖项。这家酒吧被收购并作为酒吧经营了一段时间后，于 2013 年新年关门大吉。2013 年 3 月 26 日，教区理事会将金狮酒吧列为社区价值资产 (ACV)，并于 2021 年 4 月 29 日成功批准了另一项申请。2016 年夏天，一小群村民聚在一起，向教区理事会寻求收购金狮酒吧的支持。这导致了金狮工作组 (GLWG) 的成立，它是教区理事会的一个下属小组。成员由原来的居民组成，与教区理事会有明确的沟通联系。 GLWG 寻求并获得了 Plunkett 基金会的支持和建议，该组织帮助农村社区建立和运营改变生活的社区合作社；这些企业由社区中的许多人民主拥有和经营。Ashton Hayes 拥有经营成功企业的出色历史和经验，例如经营了 13 年并继续作为企业扩张的社区商店、乡村能源公司以及在休闲场和展馆中管理良好且组织有序的资产。几年前的一个重大项目得到了我们社区的支持并继续受益，并引起了国际关注，那就是 Ashton Hayes 走向碳中和。该项目始于 2005 年，源于《金狮报》每周酒吧问答活动中的一项建议，旨在帮助当地人减少碳足迹、节约能源和省钱。我们获得了 DeFRA 的资助，以将我们的工作传播给更广泛的受众。这导致我们与来自世界各地的 1000 多个团体合作，包括加拿大、澳大利亚、日本和几个欧洲国家。我们曾接待过国会议员和部长的来访，并为政府小组提供建议。2007 年，一部纪录片在 Live Earth 上播出，观众人数达 20 亿。我们与切斯特大学（让学生在课程中开展社区研究）和东英吉利大学合作。一项学生活动是与 Golden Lion 当时的房东合作，确定并减少能源使用，每月节省 250 多英镑。能源和气候变化部 (DECC) 的资金支持建造一个带有太阳能电池板屋顶的体育馆，收入用于维护社区拥有的休闲场所 Ashton Hayes 体育和娱乐协会 (AHSRA)。在小学安装太阳能电池板可减少能源费用并提高学生的环保意识。这些电池板目前由 Ashton Hayes 社区能源公司 (CIC) 管理。能源公司为教区房间和社区商店提供 LED 照明，并与 CWaC 合作在整个村庄安装 LED 路灯。它还为居民提供热像仪。能源公司将就 Golden Lion 的环保翻新提供建议，并投资适当的能源生产。该项目于 2015 年正式结束，但仍在吸引人们的关注。该项目的成员仍定期向其他有类似目标的社区发表演讲。它还将在 2024 年的 Hay 节上亮相。我们的愿景我们的愿景是收购和恢复 Golden Lion 酒吧，使其成为一个蓬勃发展的社区所有企业，既作为酒吧，又作为更广泛的社区中心为社区服务。
x- ...
超新星（SNS）是星际介质中重要的能量来源。超新星（SNR）的年轻残留物在X射线区域显示峰值发射，使其成为X射线观测的有趣对象。尤其是，由于其历史记录，接近性和亮度，Supernova Remnant SN1006引起了极大的兴趣。因此，已对其进行了许多X射线望远镜进行了研究。改善此残留物的X射线成像是一项重要但具有挑战性的任务，因为它通常需要对图像整个对象进行不同仪器响应的多次观察。在这里，我们使用Chandra观测来证明使用信息字段理论（IFT）的贝叶斯图像重建能力。我们的目标是从X射线观测值重建，脱卷和空间 - 光谱分辨的图像，并将发射分解为不同的形态，即弥漫性和点状。此外，我们的目标是将来自不同检测器和点的数据融合到马赛克中，并量化结果的不确定性。通过利用有关扩散发射和点源的空间和光谱相关结构的先验知识，该方法允许信号有效分解为这两个组件。为了加速成像过程，我们引入了一种多步进方法，其中使用单个能量范围获得的空间重建用于得出完整时空光谱重建的知情起点。我们将此方法应用于2008年和2012年的SN1006的11个Chandra观察结果，提供了残留物的详细，剥夺和分解的观点。尤其是，弥漫发射的分离视图应提供对残留物中心和冲击前剖面中复杂的小规模结构的新见解。例如，我们的分析揭示了在SN1006的冲击阵线下，锋利的X射线通量最多增加了两个数量级。
糖尿病患者加权贝叶斯信念网络
糖尿病是一种持久的代谢疾病，这是由于血糖水平升高而导致的，这是由于体内胰岛素的不良产生或对体内胰岛素的无效利用而产生的。印度通常被标记为“世界糖尿病之都”，这是由于这种情况的广泛流行。根据国际糖尿病联合会报道，在2021年9月最新的作者最新知识最新的最新知识更新，据报道，印度约有7700万成年人受到糖尿病的影响。由于隐藏的早期症状，许多糖尿病患者无法诊断，导致治疗延迟。虽然已经利用计算智能方法来提高预测率，但这些方法的显着部分缺乏可解释性，这主要是由于它们固有的黑匣子性质。规则提取经常用于阐明机器学习算法固有的不透明性质。此外，为了解决黑匣子性质，使用了一种基于加权贝叶斯关联规则挖掘的强大规则的方法，以便提取的诊断糖尿病等疾病的提取规则可以非常透明，并且可以由临床专家易于分析，从而增强可解释性。使用UCI机器学习存储库来构建WBBN模型，证明了95.8％的性能精度。
名人因素：通过时间序列的贝叶斯建模探索影响者对 COVID-19 疫苗情绪的影响。
在线社交网络使信息能够迅速传播到世界各地，在此类平台上表达的观点可能会影响人们的决定。在 COVID-19 大流行期间，许多有影响力的公众人物利用这些社交网络分享他们对为对抗病毒而开发的疫苗的看法。许多有影响力的人鼓励接种疫苗，也有相当多的人对疫苗的有效性表示怀疑和怀疑。这项研究模拟了 11 位有影响力的人的言论对 Twitter 上表达的 COVID-19 疫苗总体情绪的影响。情绪的衡量方法是收集大流行期间关于疫苗的一系列公开推文，并根据 VADER 词典为每条推文分配一个情绪分数。使用了几种模型来分析有影响力的人的言论的影响，包括线性、顺序和基于树的模型。结果是通过基于每个模型的反事实估计构建贝叶斯结构时间序列模型获得的。结果发现，分享鼓励接种疫苗信息的影响者通常会在接下来的 20 天内增加“支持接种疫苗”推文的数量。有影响力的人分享“反疫苗接种”信息有时会导致反疫苗推文数量减少，有时会导致在接下来的 20 天内数量增加。这项研究的结果为疫苗犹豫这一复杂问题以及有影响力的人对疫苗信息的影响提供了初步的了解，并为有关这一问题的公共卫生战略提供了参考。
具有主动偏好学习的多目标贝叶斯优化
有很多现实世界的黑框优化概率需要同时优化多个标准。然而，在多目标优化（MOO）问题中，确定整个帕累托阵线需要过度的搜索成本，而在许多实际情况下，决策者（DM）只需要在帕累托最佳解决方案集中的特定解决方案。我们提出了一种贝叶斯操作方法（BO）方法，以使用昂贵的目标功能识别MOO中最喜欢的解决方案，其中DM的贝叶斯偏好模型是根据两种称为成对偏好和改进请求的Supperions类型的交互方式自适应估算的。要探索最优选的解决方案，我们定义了一个采集函数，在该函数中，在观察函数和DM偏好中的不确定性都已合并。为了最大程度地减少与DM的相互作用成本，我们还为偏好估计提出了一种主动学习策略。我们通过基准功能优化和机器学习模型的高参数优化问题来证明我们提出的方法的有效性。
使提示适应性：视觉的贝叶斯建模 - ...
最近预估计的视觉语言（VLP）模型已成为许多下游任务的骨干，但它们被用作冷冻模型而无需学习。提示学习是一种通过在文本编码器的输入中添加可学习的上下文向量来改善预训练的VLP模型的方法。在下游任务的几次学习方案中，MLE训练可以导致上下文向量在训练数据中拟合占主导地位的图像特征。这种过度适应的可能会损害概括能力，尤其是在训练和测试数据集之间的分布变化的情况下。本文介绍了基于贝叶斯的迅速学习的框架，这可以减轻几乎没有射击的学习应用程序中的过度问题，并提高提示在看不见的情况下的适应性。具体来说，建模与数据相关的先验增强了文本特征的适应性，可用于可见的和看不见的图像特征，并在其之间取决于它们之间的折衷。基于贝叶斯框架，我们在估计目标后分布中利用了Wasserstein等级流，这使我们的提示可以灵活地捕获图像特征的复杂模式。我们通过与现有方法相比显示出统计学上显着的性能改善，证明了在基准数据集上的方法的有效性。该代码可在https://github.com/youngjae-cho/app上找到。