XiaoMi-AI文件搜索系统
World File Search Systemreproducibility
可重复性测量指南（...
（物理科学）介绍在设计研究，分析数据并报告结果时，重要的是要考虑发现的可重复性。可再现的工作为科学界提供了可靠的基础，可以在其中建立未来的工作。在多个样品/设备上执行适当的测量类型和数量，可为实验中存在的可变性程度提供信息。了解存在多少随机变化，可以做出更有意义和准确的解释。对于物理研究，我们可以定义三种主要类型的可重复性标准：样本/设备可重复性，测量可重复性和分析可重复性。
医学图像计算的可重复性
医学图像计算 (MIC) 致力于通过计算方法分析医学成像数据并通过实验对其进行评估。因此，它是一门实验科学。可重复性是所有实验科学进步的基石。与许多其他领域一样，人们主要担心 MIC 的可重复性不令人满意。然而，可重复性不是一个单一的概念，而是一个范围，研究人员经常误解它。此外，尽管已经采取了一些措施来促进 MIC 社区的可重复性，但目前尚不清楚这些措施是否有效。本章的目标有三个：i) 为读者提供 MIC 可重复性的必要概念；ii) 描述已实施的措施并评估其中一些措施；iii) 概述可能采取的一些新行动。本章首先介绍一个概念框架，该框架区分了不同类型的可重复性以及可重复研究的主要组成部分。然后，介绍 MICCAI（医学图像计算）当前如何评估可重复性
“显示计量学中可重复性的障碍”
我们假设在 FFC 之前执行了背景减法。FFC 会根据所用镜头的类型、光圈、焦点、测量光区的大小及其距离等而改变。很难准确创建，因为很难获得足够大小的均匀光源，而且所需的校正会随着条件的变化而发生很大变化。小心。一种配置的 FFC 可能不适用于另一种配置
计算科学中的可靠性和可重复性
作者感谢欧盟委员会 VECMA 拨款（编号 800925）和伦敦阿兰图灵研究所的资助，这使我们能够在 2020 年 1 月举办一场与本期主题类似的活动。致谢我们感谢 Apostolos Evangelopoulos 博士对本期主题的开发提供的重要支持，以及 Hugh Martin 博士为组织阿兰图灵研究所的活动所做的贡献。参考文献
算法可重复性的最佳保证和...
算法可重复性衡量机器学习算法的输出偏差，而训练过程中发生了较小的变化。先前的工作表明，一阶方法需要权衡融合率（梯度复杂性）才能获得更好的可重复性。在这项工作中，我们挑战了这一看法，并证明在各种错误的甲骨文设置下，可以实现最佳的可重复性和近乎最佳的收敛保证。特别是，鉴于不精确的初始化Oracle，我们基于正则化的算法达到了两全其美的最佳 - 最佳的可重复性和近乎最佳的梯度复杂性 - 用于最小化和最小值优化。使用不精确的梯度甲骨文，近乎最佳的保证也可用于最小值优化。此外，在随机梯度甲骨文中，我们表明随机梯度下降在可重复性和梯度复杂性方面都是最佳的。我们认为，在凸优化的背景下，我们的结果有助于增强对可重复性连接权衡的理解。
优化中的可重复性：理论框架和局限性
除了机器学习模型的实际部署之外，机器学习学术界的可重复性危机也得到了充分的记录：请参阅 [ Pineau 等人，2021 ] 及其参考文献，其中对不可重复性的原因（对超参数和实验设置的探索不足、缺乏足够的文档、代码无法访问以及不同的计算硬件）进行了出色的讨论，并提出了缓解建议。最近的论文 [ Chen 等人，2020 、D'Amour 等人，2020 、Dusenberry 等人，2020 、Snapp 和 Shamir，2021 、Summers 和 Dinneen，2021 、Yu 等人，2021 ] 还证明，即使在相同的数据集上使用相同的优化算法、架构和超参数训练模型，它们也会对同一个示例产生明显不同的预测。这种不可重复性可能是由多种因素造成的 [D'Amour 等人，2020 年，Fort 等人，2020 年，Frankle 等人，2020 年，Shallue 等人，2018 年，Snapp 和 Shamir，2021 年，Summers 和 Dinneen，2021 年]，例如目标的非凸性、随机初始化、训练中的不确定性（例如数据混洗）、并行性、随机调度、使用的硬件和舍入量化误差。也许令人惊讶的是，即使我们通过使用相同的“种子”进行模型初始化来控制随机性，其他因素（例如由于现代 GPU 的不确定性而引入的数值误差）（参见，例如，[ Zhuang et al. , 2021 ]）仍可能导致显着差异。经验表明（参见，例如，Achille et al. [ 2017 ]）
评估脑容量测定的可重复性...
方法本研究纳入45名健康志愿者和85名轻度认知障碍（MCI）患者。在85名MCI患者中，43名以1.2 mm的平面分辨率获取三维T1加权MRI数据。其余42名MCI患者和健康志愿者的数据以1.0 mm的平面分辨率获取。计算受试者内变异系数（CoV）、组内相关系数（ICC）和效应大小，并使用配对t检验比较均值。比较MCI患者在1.0 mm和1.2 mm分辨率下获得的参数，以评估平面分辨率对方法间重现性的影响。使用MCI患者和健康志愿者在1.0 mm平面分辨率下获得的参数来分析受试者条件对方法间重现性的影响。
术语一致性在 XPS 重现性中的作用
科学出版物中不一致或不正确的术语使用会导致科学文献中的误解、混淆和错误结果。这一问题在 X 射线光电子能谱 (XPS) 中尤为重要，因为不同背景的科学家广泛使用该技术用于许多不同的目的。国际标准化组织表面化学分析技术委员会 TC201 制定了一套表面分析术语，该术语经国际专家一致批准。为鼓励广泛使用，可在多个网站上免费获取该术语。本简短概述提供了一些示例，强调了统一术语对于消除相似术语混淆的重要性。示例提供了文献中常被误用或混淆的术语。其他示例重点介绍了为比较仪器参数和性能提供共同基础的术语。随着科学的进步，澄清用于描述对 XPS 很重要的不断发展的概念和发展的术语非常重要。
对印度地热能的回顾以及印度古吉拉特邦坎贝盆地概念化增强的地热系统的评估。
1 巴斯德大学，巴黎大学的cite'，生物学技术平台，法国75015，法国2，巴斯德研究所，巴黎大学，巴黎大学，生物信息和生物统计学枢纽，75015巴黎，75015法国法国，法国3 Universite”，cnrise 5 cnrande 5 4研究所的巴斯德学院，巴黎大学，RNA病毒的G5进化基因组学，法国巴黎75015 *通讯作者。 大学，CNRS，数字科学跨学科实验室，法国奥赛州91405。 电子邮件：sarah.cohen-boulakia@universite-paris-saclay.fr（s.c-b）;巴黎大学的巴斯德研究所，巴黎大学，生物信息和生物统计学枢纽，法国75015巴黎。 电子邮件：frederic.lemoine@pastteur.fr（F.L.） •这些作者加入了最后一位作者。巴斯德大学，巴黎大学的cite'，生物学技术平台，法国75015，法国2，巴斯德研究所，巴黎大学，巴黎大学，生物信息和生物统计学枢纽，75015巴黎，75015法国法国，法国3 Universite”，cnrise 5 cnrande 5 4研究所的巴斯德学院，巴黎大学，RNA病毒的G5进化基因组学，法国巴黎75015 *通讯作者。 大学，CNRS，数字科学跨学科实验室，法国奥赛州91405。 电子邮件：sarah.cohen-boulakia@universite-paris-saclay.fr（s.c-b）;巴黎大学的巴斯德研究所，巴黎大学，生物信息和生物统计学枢纽，法国75015巴黎。 电子邮件：frederic.lemoine@pastteur.fr（F.L.） •这些作者加入了最后一位作者。巴斯德大学，巴黎大学的cite'，生物学技术平台，法国75015，法国2，巴斯德研究所，巴黎大学，巴黎大学，生物信息和生物统计学枢纽，75015巴黎，75015法国法国，法国3 Universite”，cnrise 5 cnrande 5 4研究所的巴斯德学院，巴黎大学，RNA病毒的G5进化基因组学，法国巴黎75015 *通讯作者。大学，CNRS，数字科学跨学科实验室，法国奥赛州91405。电子邮件：sarah.cohen-boulakia@universite-paris-saclay.fr（s.c-b）;巴黎大学的巴斯德研究所，巴黎大学，生物信息和生物统计学枢纽，法国75015巴黎。电子邮件：frederic.lemoine@pastteur.fr（F.L.）•这些作者加入了最后一位作者。