XiaoMi-AI文件搜索系统
World File Search System不完善的
经济代理人是不完善的问题解决者
我们开发了一种对最佳政策功能有限认知感知的有限认知的模型，代理人使用昂贵的推理工作来更新有关经济状态最佳映射到行动中的信念。一个关键结果是，当观察常规（不寻常的）状态，产生与状态和历史有关的行为时，代理人的原因较少（更多）。我们的应用程序是一个标准的不完整市场模型，其前式代理没有任何apriori行为偏见。由此产生的行动和信念分布的特征是“学习陷阱”，在该地区，财富的本地稳定动态产生了状态空间的“熟悉”区域，在该区域中，行为似乎遵循了过去经验的启发式方法。我们在定性和定量上表现出这些陷阱在经验上是理想的特性：消费的边际倾向更高，手到口状态更频繁，更持久，并且比标准模型中的财富不平等更多。
一种结合不完善的多模型集成方法...
摘要。在当前的多模型集成方法中，气候模型模拟是后验组合的。在本研究的方法中，集成中的模型在模拟过程中交换信息，并从历史观测中学习，将它们的优势结合起来，形成对观测到的气候的最佳表示。该方法是在小型混沌动力系统（如 Lorenz 63 系统）的背景下开发和测试的。通过扰动标准参数值来创建不完善的模型。通过在模型方程之间引入连接，将三个不完善的模型组合成一个超级模型。连接系数从未受干扰的模型的数据中学习，这被视为事实。这项研究的主要结果是，经过学习，超级模型非常接近事实，比每个不完善的模型都要好得多。这些说明性示例表明，超级建模方法是改善天气和气候模拟的一种有前途的策略。
不完善的疫苗能够遏制美国的新冠疫情吗？
2019 年 12 月底在中国武汉爆发的新型冠状病毒 (COVID-19) 继续对全世界的公共卫生和经济造成毁灭性挑战。尽管全社区实施基本的非药物干预措施，如保持社交距离、隔离疑似 COVID-19 病例、隔离确诊病例、在公共场所佩戴口罩和追踪接触者，在遏制和减轻疫情负担方面非常有效，但人们普遍认为，使用抗 COVID-19 疫苗对于建立有效控制和消除疫情所需的社区群体免疫是必要的。本研究基于设计和使用数学模型来评估假设的不完善的抗 COVID-19 疫苗对 COVID-19 控制的人口水平影响。推导出了实现疫苗诱导的社区群体免疫所需的最少未接种疫苗的易感个体数量的解析表达式。群体免疫阈值的流行病学结果是，如果社区达到最低群体免疫阈值，疾病就可以得到有效控制或消除。使用通过拟合模型获得的基线参数值对模型进行模拟，该模型与美国纽约州和佛罗里达州以及整个美国的 COVID-19 动态相关死亡率数据一致，结果表明，对于假定保护效果为 80% 的抗 COVID-19 疫苗，整个美国、纽约州和佛罗里达州的最低群体免疫阈值分别为 90%、84% 和 85%。此外，结果表明，虽然要从整个美国消灭 COVID-19 必须大幅提高疫苗接种率（从基线开始），但只要疫苗接种率从基线值略有增加（低至 10%），就可以从纽约州和佛罗里达州消灭疫情。如果疫苗接种计划与公共口罩使用计划或有效的社交疏离措施相结合，美国或纽约州和佛罗里达州消除 COVID-19 的前景将大大增强。这种策略组合显著降低了疫苗诱导的群体免疫阈值。最后，结果表明，疫苗接种计划更有可能导致佛罗里达州消除 COVID-19，其次是纽约州，然后是整个美国。
通过不完善的智能反射表面实现无需信道状态信息的大规模无线能量传输
摘要 — 智能反射面 (IRS) 利用低成本、无源反射元件来增强无源波束增益、提高无线能量传输 (WET) 效率，并使其能够部署到众多物联网 (IoT) 设备中。然而，IRS 元件数量的增加带来了相当大的信道估计挑战。这是由于 IRS 中缺少有源射频 (RF) 链，而导频开销变得难以忍受。为了解决这个问题，我们提出了一种无信道状态信息 (CSI) 的方案，该方案最大化特定方向的接收能量并通过相位波束旋转覆盖整个空间。此外，我们考虑了不完善的 IRS 的影响，并精心设计了有源预编码器和 IRS 反射相移以减轻其影响。我们提出的技术不会改变现有的 IRS 硬件架构，允许在当前系统中轻松实现，并且无需额外成本即可访问或移除任何能量接收器 (ER)。数值结果证明了我们的无 CSI 方案在促进大规模 IRS 方面非常有效，并且不会因过多的导频开销而影响性能。此外，在涉及大规模 ER 的场景中，我们的方案优于基于 CSI 的方案，使其成为物联网时代的一种有前途的解决方案。
全球电力市场结构数据库（1989-2023）
变革及其结果，以捕捉数据库中已实施和运营的市场结构。然而，重要的是要认识到，这是一项不完善的工作，尤其是试图评估 30 年前各国的情况。在某些情况下，分类可能会偏离实践。
通过学习将不完善的模型组合起来的多模型集成方法
摘要。在当前的多模型集成方法中，气候模型模拟是后验组合的。在本研究的方法中，集成中的模型在模拟过程中交换信息，并从历史观测中学习，将它们的优势结合起来，形成对观测到的气候的最佳表征。该方法是在小型混沌动力系统（如 Lorenz 63 系统）的背景下开发和测试的。通过扰动标准参数值来创建不完善的模型。通过在模型方程之间引入连接，将三个不完善的模型组合成一个超级模型。连接系数从未受干扰的模型（被视为真实模型）的数据中学习。本研究的主要结果是，经过学习，超级模型非常接近真实值，比每个单独的不完善模型要好得多。这些说明性示例表明，超级建模方法是改善天气和气候模拟的一种有前途的策略。
气候科学的可解释人工智能（XAI）：
利用不完善的气候模型，通过融合模拟和观测来更好地约束未来预测。例如 Labe 和 Barnes (2022)、Diffenbaugh 和 Barnes (2022，已提交)、Rader 等人 (2022，审核中)、Labe 和 Barnes (2021)、Barnes 等人 (2020a)、Barnes 等人 (2019)