XiaoMi-AI文件搜索系统
World File Search Systemcertain
超越体素预测的不确定性：识别值得信赖的脑损伤
摘要。深度神经网络已成为自动分割 3D 医学图像的黄金标准方法。然而，由于缺乏对提供的结果进行可理解的不确定性评估，临床医生仍然无法完全接受它们。大多数量化不确定性的方法，例如流行的蒙特卡罗 dropout，都限制了体素级预测的某种不确定性。除了与真正的医学不确定性没有明确的联系外，这在临床上也不令人满意，因为大多数感兴趣的对象（例如脑病变）都是由体素组组成的，而体素组的整体相关性可能不会简单地归结为它们各自不确定性的总和或平均值。在这项工作中，我们建议使用创新的图形神经网络方法超越体素评估，该方法由蒙特卡罗 dropout 模型的输出训练而成。该网络允许融合三个体素不确定性估计量：熵、方差和模型置信度；并且可以应用于任何病变，无论其形状或大小如何。我们证明了我们的方法在多发性硬化症病变分割任务中的不确定性估计的优越性。
不确定性下的旅行送货员问题
摘要在近年来，供应链优化已成为运营研究的主要主题。从计算和NAL溶液质量的角度概述了巨大的extline方法。但是，除了最佳之外，供应链的一个主要需求是不可思议的和对干扰的适应性。这项研究工作的目的是针对能够利用确定性和随机质量指数的详尽程序进行彻底的程序。然后选择了传送人问题作为案例研究，因为它代表了最基本的操作研究问题。基于单位操作的主要评估方法的适应，可提供良好的结果并允许正确识别批判性。此外，它证明，根据预期的偏差性质，在数百万个可能的替代方案中，最佳解决方案被认为是有限的子集。那么，在将来的研究中，值得扩展到更复杂的系统。
分析流程中的数值不确定性导致大脑网络产生重大变化
脑成像数据的分析需要复杂的处理流程来支持有关脑功能或病理的发现。最近的研究表明，分析决策的变化、少量噪音或计算环境可能会导致结果的巨大差异，从而危及结论的可信度。我们通过使用蒙特卡罗算法引入随机噪声来检测结果的不稳定性。我们评估了连接组的可靠性、其特征的稳健性以及对分析的最终影响。结果的稳定性范围从完全稳定（即所有数据位都有效）到高度不稳定（即 0-1 个有效数字）。本文强调了利用大脑连接估计中诱导的方差来减少网络偏差的潜力，同时不影响可靠性，同时提高其在个体差异分类中的应用的稳健性和潜在上限。我们证明，稳定性评估对于理解脑成像实验固有的误差是必要的，以及如何将数值分析应用于脑成像和其他计算科学领域的典型分析工作流程，因为所使用的技术与数据和上下文无关，并且具有全局相关性。总体而言，虽然由于分析不稳定性导致的结果极端多变可能会严重妨碍我们对大脑组织的理解，但它也为我们提供了提高研究结果稳健性的机会。
基于深度学习的 MR 脑分割的快速不确定性量化
摘要。量化深度学习模型预测中的不确定性有助于解释它们，从而有助于它们在关键领域的接受。然而，当前的标准方法依赖于多步骤方法，这增加了推理时间和内存成本。在临床常规中，自动预测必须融入临床咨询时间范围，这就需要更快、更有效的不确定性量化方法。在这项工作中，我们提出了一种名为 BEHT 的新模型，并在多发性硬化症 (MS) 患者 T2 加权 FLAIR MRI 序列白质高信号的自动分割任务中对其进行了评估。我们证明，这种方法输出预测不确定性的速度比最先进的蒙特卡洛 Dropout 方法快得多，而且准确度相似，甚至略高。有趣的是，我们的方法区分了两种不同的不确定性来源，即随机不确定性和认知不确定性。
本演示文稿包含某些前瞻性内容...
*不包括 2023 年税务争议解决的影响，增长 12%，包括影响，增长 7%；基础业务=不包括 Ronapreve 的制药业务和不包括 COVID-19 相关产品的诊断业务；LOE=失去独占权，包括 Avastin、Herceptin、MabThera/Rituxan、Esbriet、Lucentis 和 Actemra 的全球损失；CER=恒定汇率（2023 年全年平均）；PD=帕金森病；AD=阿尔茨海默病；CAR-T=嵌合抗原受体 T 细胞；DLL3=delta 样配体 3；ADC=抗体药物偶联物；SCLC=小细胞肺癌；ER=雌激素受体；HER2=人表皮生长因子；mBC=转移性乳腺癌；DLBCL=弥漫性大 B 细胞淋巴瘤；FL=滤泡性淋巴瘤；MDS=骨髓增生异常综合征； aHUS=非典型溶血性尿毒症综合征；HD=高剂量；RMS/PPMS=缓释/原发进行性多发性硬化症；COPD=慢性肺阻塞性疾病；SLE=系统性红斑狼疮；UME=葡萄膜炎性黄斑水肿；SMA=脊髓性肌萎缩；FSHD=面肩肱型肌营养不良症
基于连续的航路点和可及性分析的不确定性下的安全和适应性自主导航
本文为基于可靠的状态空间可达性分析提供了一种安全自主导航的新方法。后者改善了基于顺序航路点（NSBSWR）框架[1]的已经提出的灵活导航策略[1]，同时考虑了建模和/或感知方面的明显不同的不确定性。的确，NSBSWR是一个新兴的概念，可以利用其灵活性和通用性，以避免频繁的复杂轨迹的计划/重新计划。本文的主要贡献是引入可及性分析方案，作为可靠的风险评估和管理政策，以确保连续分配的航点之间安全自主导航。为此，使用间隔分析来传播影响车辆动力学到导航系统指出的不确定性。通过求解具有不确定变量和参数的普通微分方程，通过间隔泰勒串联扩展方法揭示了所有车辆潜在的可触及状态空间。根据可达集的获得的界限，对导航安全做出了决定。一旦捕获了碰撞风险，风险管理层就会采取行动以更新控制参数，以掌握关键情况并确保适当地达到Waypint，同时避免任何风险状态。几个模拟结果证明了在不确定性下总体导航的安全性，效率和鲁棒性。
神经科学本体知识不确定性下的可扩展查询回答：NeuroLang 方法
目前还没有统一的框架来访问这种不确定的、丰富的异构数据集合，因此研究人员不得不依赖临时工具。特别是，当前试图解决这一任务的工具的一个主要弱点是只开发了非常有限的命题查询语言。在本文中，我们介绍了 NeuroLang，这是一种基于一阶逻辑的概率语言，具有存在性规则、概率不确定性、开放世界假设下的本体集成以及内置机制，可保证对非常大的数据集进行可处理的查询回答。NeuroLang 的主要目标是提供一个统一的框架，无缝集成异构数据（如本体），并通过一组正式标准将细粒度认知领域映射到大脑区域，促进可共享和高度可重复的研究。在介绍该语言及其通用查询回答架构之后，我们讨论了现实世界的用例，展示了 NeuroLang 如何应用于实际场景。
可再生能源不确定性下本地能源社区发电调度的随机优化
我要衷心感谢所有为本论文项目做出贡献的人。这项研究工作是在里尔电气工程和电力电子实验室 (L2EP, Laboratoire d'Electrotechnique et d'Electronique de Puissance de Lille) 进行的。本论文得到了中国国家留学基金委员会 (CSC) 的资金支持，对此我深表感谢。首先，我要向 Bruno FRANCOIS 先生表示诚挚的谢意，他在这三年里指导了我的工作。我欣赏他对研究工作的态度、他耐心的宝贵指导以及他对研究领域的前瞻性观点。他不仅向我传授知识，还以他的专业精神和道德为榜样教会了我。我还要衷心感谢我的联合导师 Dhaker ABBES 先生，他总是为我提供建设性的建议和科学支持。在他的善良、鼓励和热情下，与他一起工作真的是一种荣幸。我很荣幸 Florence OSSART 女士和 Robin ROCHE 先生同意审阅这篇论文。他们的问题和意见对我准备论文答辩和改进论文非常有帮助。我还要感谢评审团主席 Luce BROTCORNE 女士和评审团成员：François VALLEE 先生、Jérôme BOSCHE 先生、Nouredine HADJSAID 先生和 Vincent DEBUSSCHERE 先生，他们在答辩期间对我的工作进行了深刻的评估。在这三年里，多亏了 L2EP 的同事们，我有机会在非常好的氛围中工作。我衷心感谢他们所有人的热情和在困难时期的倾听。我向闫星宇表示最诚挚的感谢，他在我研究工作的开始阶段以极大的耐心为我提供了无数的科学支持和指导。我要感谢 Xavier CIMETIERE、Kongseng BOUNVILAY、Loïc CHEVALLIER 和 Sylvie DEZODT 在我就读里尔经济学院期间给予我的善意和帮助。非常感谢 Haibo、Reda、Lorraine、Meryeme、Houssein、Emre、Ebrahim（还有其他很多人，我无法在此一一列出名字），感谢他们的鼓励以及我们在一起度过的所有美好时光。我要从心底向我的家人表达无限的感激。如果没有他们在我求学期间无条件的鼓励和支持，这一切都不可能实现。他们以身作则教我如何面对困难，以及只有努力工作才能取得好成绩。最后，我要感谢我的男朋友 Yuliang，他一直很理解、耐心和支持我；他给了我成功开展研究工作的力量；无论欢乐还是悲伤，他总是用他的爱和信任陪在我身边。
信任AI：不确定性可视化会影响决策 -
人工智能（AI）是一个领域，其中计算机被利用来模仿或重现人类思想的解决问题和决策能力，对人们的工作和生活产生了重大影响。通过休闲，娱乐活动（Kulesza等，2012）和认真的游戏（Schueller等，2020; Jagtap等，2023），我们的日常生活中采用AI模型的日常生活显着增长Al。，2020）。直到最近，AI系统的开发主要是由“以技术为中心的方法”驱动的，该方法的重点是算法，而不是开发满足实际用户需求的有用的AI系统（Shneiderman，2020; Xu等，2023; Zheng et el。，2017）。然而，忽略了采用“以用户为中心的设计”（Abras等，2004），“以人为中心的设计”（Oviatt，2006）或“ Human-Ai”（Xu等，2023）方法，这些方法