XiaoMi-AI文件搜索系统
World File Search Systembootstrap
包装提供无假设的稳定性
算法稳定性 - 也就是说，训练数据如何影响学习模型，这是现代数据分析的基础。在学习理论中，某些形式的稳定性是必要的，足以泛化（Bousquet和Elisseeff，2002； Poggio等人。，2004年； Shalev-Shwartz等。，2010年）。在模型选择中，稳定性措施可以可靠地识别重要特征（Meinshausen和B.Uhlmann，2010年； Shah和Samworth，2013年； Ren等人。，2023）。在科学应用中，稳定的方法促进了可重复性，这是有意义的推论的先决条件（Yu，2013）。在无分配预测中，稳定性是折刀有效性的关键假设（也就是说，一对跨验证）的预测间隔（Barber等人，2021; Steinberger和Leeb，2023年）。预见稳定性的各种好处，Breiman（1996a，b）提议将行李作为合奏元算法，以稳定任何基础学习算法。袋装，缩写为bootstrap aggation，将基本算法转化为训练数据的许多扰动，并平均得出的预测。Breiman将行李作为现成的稳定器的愿景激发了我们的主要问题：在任意基础算法上行李如何稳定，对数据产生分布没有任何假设？在本文中，我们首先要为具有有限输出的基础算法的情况回答这个问题，然后向无限情况显示扩展。
使用价值聚焦思维和蒙特卡罗模拟分析 UH-60 黑鹰安全控制
过去几年，陆军航空事故不断增加，这主要是由于任务频率和复杂性增加以及资源减少。由此造成的损失（人员伤亡、金钱、设备）的严重性促使陆军安全中心指挥官要求全面审查安全隐患和后续安全控制的评估和选择方式。该项目通过开发和使用有效识别和评估控制组合的方法，将价值导向思维、蒙特卡罗模拟和整数规划相结合，以满足这一需求。整数规划生成控制组合，以最大程度地减少导致陆军航空事故的危险。使用引导方法的蒙特卡罗模拟用于模拟 100,000 个 UH-60 飞行小时内发生的事故造成的损失数量和类型。已经开发了一个价值模型来量化这些损失的严重程度。控制组合的预期绩效计算为实施这些控制措施所导致的损失严重程度的预期下降。
中国的绿色能源投资，可再生能源消耗和碳中立性
这项研究研究了1995年至2020年中国的绿色能源投资和能源消耗对中国碳排放的动态影响。它采用了引导自动回旋分布式滞后方法来检查短期和长期的关系。长期发现表明，绿色能源投资和可再生能源消耗降低了碳排放，而不可再生的能源消耗和经济增长会增加较短且更长时期的碳排放。碳排放的长期减少可能意味着向碳中立的过渡。然而，由于投资滞后效应，可再生能源对碳中立性的边际贡献显着高于绿色能源投资。此外，误差校正项（ECT）是显着的负数，授权在任何偏差（调整率为25％）的情况下倾向于稳态平衡。经验结果表明，中国应鼓励绿色能源投资并增加可再生能源的份额，以确保长期以来的碳中立性。
SILVR：可伸缩的LIDAR-VISUAL-VISUAL RETUSTRUTION，具有机器人检查的神经辐射场
摘要 - 我们提出了一个基于神经场的大规模重构系统，该系统融合了激光雷达和视力数据，以生成几何准确的高质量重建，并捕获光真逼真的纹理。该系统适应了状态的神经辐射场（NERF）表示，还结合了LiDAR数据，该数据在深度和表面正常上增加了强大的几何约束。我们利用轨迹从实时激光雷达大满贯系统来引导结构 - 从运动（SFM）程序进行启动，以显着降低组合时间，并提供对大暴力深度损失至关重要的度量标准。我们使用沉积将系统扩展到在长轨迹上捕获的大规模环境。我们通过来自多台摄像机，LIDAR传感器套件的腿部机器人的数据，在扫描600米的扫描建筑场景时进行手持式机器人，并在船上进行空中机器人，调查多层模拟模拟灾难现场建造的空中机器人。网站：https：//ori.ox.ac.uk/labs/drs/nerf-mapping/
使用价值聚焦思维和蒙特卡罗模拟分析 UH-60 黑鹰安全控制
过去几年，陆军航空事故不断增加，这主要是由于任务频率和复杂性增加以及资源减少。由此造成的损失（人员伤亡、金钱、设备）的严重性促使陆军安全中心指挥官要求全面审查安全隐患和后续安全控制的评估和选择方式。该项目通过开发和使用有效识别和评估控制组合的方法，将价值导向思维、蒙特卡罗模拟和整数规划相结合，以满足这一需求。整数规划生成控制组合，以最大程度地减少导致陆军航空事故的危险。使用引导方法的蒙特卡罗模拟用于模拟 100,000 个 UH-60 飞行小时内发生的事故造成的损失数量和类型。已经开发了一个价值模型来量化这些损失的严重程度。控制组合的预期绩效计算为实施这些控制措施所导致的损失严重程度的预期下降。
一个零信任框架，用于实现和防御能力网格中的生成AI攻击
摘要 - 理解生成AI（Genai）对电网的攻击的潜力是一个基本挑战，必须解决，以通过实现和验证新攻击载体的风险来保护电网。在本文中，提出了一个新颖的零信任框架（PGSC）。该框架促进了对潜在的Genai驱动攻击媒介的早期检测（例如，重播和协议类型攻击），评估基于尾巴风险的稳定性测量方法以及缓解此类威胁。首先，PGSC的新型零信任系统模型被设计和制定为一个零信任问题，该问题旨在通过实现和防御Genai驱动的网络攻击来保证稳定的PGSC。第二，基于域特异性的生成对抗网络（GAN）基于攻击生成机制的开发是为了创建一个新的漏洞网络空间，以进一步了解威胁。第三，基于尾部的风险实现指标是开发和实施的，以量化造成攻击的极端风险，同时利用信任度量方法进行连续验证。第四，设计了基于合奏的Bootstrap聚合方案，以检测与令人信服的用户和分布式能源设备配置文件产生合成身份的攻击。实验结果表明，达到95的准确性的拟议零信任框架的功效。7％的攻击矢量产生，一种风险度量为9。稳定的PGSC的61％，对防御Genai驱动的攻击有99％的信心。
与本身对机器人的讨论：内部语音的语言模型
cameron.buckner@ufl.edu摘要：在本文中，我探索了使用大型语言模型（LLMS）本身的完整模型本身的完整模型，而是作为可以帮助引导性认知架构的组成部分，这些组件可以在更大程度上由其他组件组成。尤其是我探讨了LLM可以在人类认知发展和成人解决问题中扮演内在语音所扮演的一些角色的想法。研究人员目前正在探索许多形式的问题：LLM（例如Openai的Chatgpt或Anthropicai's Claude）可以具有认知/心理特性X（其中X =…代表世界模型，理性，有意识，展示思想，交流等）。如果不是将语言模型本身评估为X的唯一承载者，我们试图使用LLM在获得内部语音播放的X播放的发展过程中发挥作用（作为内部，语言上的协调员和脚手架的内在，脚手架，以多样化的其他过程，而是对LLMS的研究的重要性，而不是哲学上的哲学研究，并且是Aly Qualtion Qualtion and sandive sandivy revery的研究，并在某种程度上进行了不同的研究。基于深度学习的AI开始焦点。
前哨：一个聚合功能以确保分散的联合学习
摘要。分散的联合学习（DFL）是一种创新的范式来培训协作模型，以解决单一的失败限制。但是，FL和DFL的安全性和可信赖性因中毒攻击而受到损害，从而对其表现产生负面影响。现有的防御机制是为集中式FL设计的，它们不能充分利用DFL的特殊性。因此，这项工作引入了Sentinel，这是一种防御策略，以抵消DFL中的中毒攻击。Sentinel利用本地数据的可访问性，并定义了一个三步聚合协议，该协议包括相似性过滤，自举验证和归一化以保护恶意模型更新。Sentinel已通过不同的数据集和数据分布进行了评估。此外，已经验证了各种中毒攻击类型和威胁水平。当数据遵循IID（独立和相同分布）配置时，结果与未靶向和有针对性的中毒攻击相对于不靶向和有针对性的中毒攻击提高了最新性能。此外，在非IID配置下，它可以分析Sentinel和其他最先进的强大聚合方法的性能如何降低。
构建具有IRAE和诊所特征的nom图，以预测接受抗PD-1治疗的晚期G/GEJ腺癌患者的存活
方法：组装了255名被诊断为晚期G/ GEJ腺癌的成年患者的数据集。将影响整体生存（OS）至显着程度的IRAE识别为候选变量，并将其整合为候选变量，以及其他12个候选变量。These included gender, age, Eastern cooperative oncology group performance status (ECOG PS) score, tumor stage, human epidermal growth factor receptor 2 (HER2) expression status, presence of peritoneal and liver metastases, year and line of anti-PD-1 treatment, neutrophil-to-lymphocyte ratio (NLR), controlling nutritional status (CONUT) score, and Charlson comorbidity index （CCI）。为了减轻与伊拉斯有关的时机偏见，采用了具有里程碑意义的分析。使用最小绝对收缩和选择算子（LASSO）回归进行了变量选择以查明明显的预测因子，并应用了方差障碍因子来解决多重共线性。随后，使用正向似然比方法进行了COX回归分析来开发生存预测模型，排除未能满足比例危害（PH）假设的变量。该模型是使用整个数据集开发的，然后通过Bootstrap重新采样进行内部验证，并通过另一家医院的同类进行外部验证。此外，创建了一个列图来描述预测模型。
人工智能能力与组织创造力
人工智能（AI）的快速发展给组织带来了诸多机遇与挑战，一些研究表明人工智能能够提升组织创造力，但现有研究缺乏有效的转化路径。本文从知识共享的视角进行创新，建立人工智能能力、知识共享与组织创造力的整合模型，并基于189份问卷数据，采用多层回归分析和引导法分析其影响机制。研究结果表明：人工智能对知识共享有正向影响，知识共享对组织创造力有正向影响，知识共享在人工智能与组织创造力的关系中起中介作用，组织凝聚力在人工智能与知识共享的关系中起正向调节作用。研究结果补充了现有的关于人工智能能力与组织创造力关系的研究，拓展了组织层面知识共享视角的理论边界与应用空间，为组织提升创造力提供参考。