XiaoMi-AI文件搜索系统
World File Search Systemvariate
朝向务实的多元时间序列建模
时间序列模型专门研究数据流中的观测和多个特征之间的相互作用之间的时间依赖性。在过去的十年中，深度学习模型（DL）模型在compoter愿景和自然语言处理中取得了前所未有的成功已稳定地渗透到时间序列任务上。从复发的神经网络到变形金刚，建筑设计方面的新进步改善了功能和性能。尽管取得了成功，但我确定了采用当前最新方法（SOTA）方法的挑战，包括处理分配变化和缺少数据，计算复杂性和可解释性。DL模型的成功通常归因于其自动发现有用数据表示的能力。多元时间序列模型涉及具有许多时间序列和时间观察的高维对象。但是，它们经常表现出强烈的时间依赖性和功能间关系。在本论文中，我建议设计DL架构和算法，以预测和异常检测任务，以利用这些依赖性来诱导满足所需属性的表述有效学习，这些属性可以（i）改善模型的性能，（II）通过促进域的良好性来改善域的稳健性，以降低量表性，以降低量准化的量表，以降低量准化。完成的工作分为三个部分，展示了七种新颖的模型类型和算法，这些算法在各种任务中实现了最新的性能，同时解决了关键的采用挑战。在第一部分中，我探讨了动态的潜在空间原理和设计潜在的时间表示，以制作可靠的异常检测和预测模型。在第二部分中，我为基于新型的非线性频率分解与小波理论的连接提供了一种新颖的可扩展且可解释的预测模型。它还具有两种扩展，用于将多元外源协变量用于高影响力结构域，包括能量和医疗保健。最后，在第三部分中，我提出了一项关于模型设计和数据特征的支持条件的大规模研究，用于在时间序列任务上的预训练模型的可传递性。
青少年大脑-心理社会关联的体素多元分析揭示了认知和精神病理学的六个潜在维度
这是一篇在接受后经过改进的文章的 PDF 文件，例如添加了封面和元数据，以及格式化以提高可读性，但它还不是最终的记录版本。此版本在以最终形式发布之前将经过额外的文字编辑、排版和审查，但我们提供此版本是为了让文章尽早可见。请注意，在制作过程中，可能会发现可能影响内容的错误，并且适用于期刊的所有法律免责声明均适用。
对欧盟国家变化的多元分析（2004年 - ...
摘要：这项研究全面分析了2004年至2021年欧盟（EU）的有机农业的动态格局，研究了受不断发展的偏好和农民和消费者优先事项影响的专门农业地区的转变。检查社会经济因素的影响，包括人均国内生产总值（GDP），人类发展指数（HDI）和人口密度，这项研究建立了基于国家级别的分析，基于相关性，主要成分分析，集群分析和面板分析。尽管在研究期间，所有欧盟国家的有机农业地区都普遍增加，但生产水平与人口密度，人均GDP和HDI的负相关。值得注意的是，波罗的海国家和奥地利领导了有机农业生产，而马耳他，荷兰，比利时，爱尔兰和卢森堡则在人均有机农业较少的集群分析中形成了一个独特的群体。这些见解对于支持有机农业的韧性和可持续性至关重要。根据2004 - 2021年使用线性回归评估的趋势，对2030年有机农业份额的预测估计约占利用农业地区的12％，这远低于欧洲委员会的目标份额的25％。基于线性回归的预测表明，到2030年，在大多数欧盟国家，实现欧洲绿色交易的目标是25％的有机农业。目标只有在奥地利，爱沙尼亚和瑞典才能获得。欧盟国家在特征有机农业（包括有机农业地区份额）的各种指数中差异很大。应该指出的是，该研究是根据乌克兰战争爆发之前获得的数据进行的，这可能会改变欧盟有机农业发展的先前趋势。
协变性下的公平性：通过几乎没有标记的测试样本改善公平 - 准确性的权衡
协变性转移是一种常见的实践现象，可以显着降低模型的准确性和公平性能。在协变量转变下确保不同敏感群体的公平性至关重要，因为诸如刑事司法等社会意义。我们在无监督的制度中运行，其中只有一组未标记的测试样本以及标记的训练集。在这种高度挑战但现实的情景下提高公平性，我们做出了三项贡献。首先是一个基于新型的复合加权熵的目标，以实现预测准确性，并通过代表匹配的损失进行了优化。我们通过实验验证，在帕累托意义上，相对于几个标准数据集的公平性 - 准确性权衡，在帕累托意义上，使用损失配方优化优于最先进的基线。我们的第二个贡献是一个新的环境，我们称之为不对称的协变量转变，据我们所知，以前尚未研究过。与其他组相比，当一个组的协变量显着转移时，发生不对称的协变量转移发生时，当一个主体群体过分代表时，就会发生这种情况。虽然这种设置对当前基线非常挑战，但我们表明我们提出的方法显着胜过它们。我们的第三个贡献是理论，我们表明我们的加权熵项以及训练集的预测损失近似于协变量下的测试损失。通过经验和正式的复杂性界限，我们表明，与看不见的测试损失的近似不取决于影响许多其他基线的重要性采样方差。
多变量病变症状映射，以预测从失语症中恢复的轨迹
中风后失语症的人倾向于在某种程度上恢复其语言；但是，可靠地预测长期将发生的恢复的性质和程度仍然充满挑战。这项研究的目的是定量预测语言结果的第一年，从多个语言的多个领域和中风后多个时间点恢复。我们招募了217名失语症患者，急性左半球缺血或出血性中风，并使用快速的Aphinia电池急性电池评估了他们的语音和语言功能，然后在势利点最多获得纵向后续数据，最多三个时间点：1个月（n = 102）（n = 102），3个月（n = 98）（n = 98）（n = 98）和1年（n = 74）（n = 74）。我们使用支持矢量回归来使用急性临床成像数据，人口统计学变量和初始失语症的严重程度作为输入来预测每个时间点的语言结果。我们发现，可以使用这些模型来预测长期（1年）失语症的60％的差异，并具有有关病变位置的详细信息，重要的是有助于这些预测。在1个月和3个月的时间点上的预测基于病变位置的准确性较小，但在模型中包括初始APHA SIA的严重性时，在1年时间点的预测中达到了可比的准确性。语言的特定子域除了总体严重程度外，还具有不同的准确性，但通常相似的准确性。我们的发现证明了使用支持矢量回归模型具有带有一方面的交叉验证的可行性，以对长期恢复失语症进行个性化预测，并提供有价值的神经解剖基线，以在此基准上建立未来模型，并将未来的模型纳入超出神经解剖学和人际预测因素以外的信息。
多元合奏后处理的生成机器学习方法
基于数值天气预测模型多个运行的集合天气预报通常显示系统错误，需要后处理以获得可靠的预测。在许多实际应用中，对多元依赖性进行建模至关重要，并且已经提出了多种多元后处理方法，其中首先在每个边距中首先在每个边距中分别进行后处理，然后通过COPULAS恢复多元依赖性。这些两步方法具有共同的关键局限性，特别是在建模依赖项中包含其他预测因子的困难。我们提出了一种基于生成机器学习来应对这些挑战的新型多元后处理方法。在这类新的非参数数据驱动的分布回归模型中，来自多元预测分布的样本是直接作为生成神经网络的输出而获得的。生成模型是通过优化适当的评分规则来训练的，该规则衡量生成的数据和观察到的数据之间的差异，条件是外源输入变量。我们的方法不需要对单变量分布或多元依赖性的参数假设，并且允许对任意预测变量进行分配。在两个关于德国气象站的多元温度和风速预测的案例研究中，我们的生成模型对最先进的方法显示出显着改善，尤其是改善了空间依赖性的表示。
历史多元密码系统及其修复学作为量子后加密的工具
承认PQC安全二次多元规则可以创建最短的数字签名程序。回想一下，我们必须添加到上述PQC的两个方向上，基于哈希的密码学，基于亚速的加密和基于晶格的密码学。我们必须注意，所有已经由NIST认证的算法都不是多元密码学的公共钥匙。长期存在的'''''''''（Ruov）（RUOV）数字签名方法由于在Eurocrypt 2021年会议录中发表的隐次分析研究而被拒绝（Canteaut等人，2021年），（Buellens，2021年）。历史多元密码学是搜索形成二次或立方陷阱门加速器的种类（f，t），其中F是对矢量空间的二次（或立方）转换（F Q）N定义在有限的场上，T是一个多态度的内心转换器。一块信息，使T的知识允许在多项式时间内计算F的重像。开发人员希望在不了解T的情况下以其标准形式给出的F重新形象的恢复将作为未解决的NP - hard问题。回想一下，标准形式是f（x i），i = 1,2，…，n在词法上的单元列表。公共密钥（F，T）的二次变换可以提供最短的已知数字签名，这一事实正在激励进一步寻找适当的板门加速器。此搜索是由Imai和Matsumoto（Matsumoto等，1988）（另见（另见（Ding等，2020））在特征有限领域的情况下构建了陷阱门加速器2。他们使用有限场的二次扩展F 2 = f q，q = 2 m的特性2
实时多元血糖预测的移动软件开发套件
摘要在血糖预测的领域中，文献上有足够的算法，这些算法表现出在葡萄糖管理中的潜力。然而，这些命题面临着许多机器学习算法常见的问题：数据集的重复使用（过度拟合）和孤立地开发算法的趋势，与实际情况分离。加剧了这些挑战是，许多胰岛素泵供应商和连续的葡萄糖监测器供应商使用封闭和专有协议，从而限制了研究人员的数据访问以及部署复杂的多变量优化器的能力。本研究试图通过设计软件开发套件来弥合理论算法及其实际应用之间的差距。该套件从连续的葡萄糖监测器，碳水化合物摄入量，胰岛素管理系统中的胰岛素传递以及诸如体育活动，压力和可穿戴设备的睡眠等指标中收集实时数据。我们的方法论利用了与苹果健康和各种可穿戴设备集成的开源胰岛素管理系统，循环。尽管通过各种通信协议进行导航以将这些设备链接出来，但我们成功地汇总了一个全面的数据集来进行血糖预测。为了强调我们软件开发套件的实用性，我们在该平台上执行了技术证明，说明了实时，个性化的，数据驱动的多元血糖预测。我们希望我们的平台可以有助于将机器学习算法从技术发展转变为具有现实世界中有益于血糖管理的可行工具。它为研究人员提供了一个基础，以在更具动态，数据丰富的环境中完善其预测算法和决策支持系统。
恒定量子深度下的多元迹估计
有一种民间传说认为，需要深度为 Θ(m) 的量子电路来估算 m 个密度矩阵乘积的迹（即多元迹），这一子程序对于凝聚态和量子信息科学中的应用至关重要。我们通过构建一个恒定量子深度电路来完成这项任务，证明了这种看法过于保守，该电路受到 Shor 误差修正方法的启发。此外，我们的电路只需要二维电路中的局部门 - 我们展示了如何在类似于 Google 的 Sycamore 处理器的架构上以高度并行的方式实现它。凭借这些特点，我们的算法使多元迹估计的核心任务更接近近期量子处理器的能力。我们用一个关于用“表现良好”的多项式近似来估计量子态的非线性函数的定理来实例化后一种应用。