XiaoMi-AI文件搜索系统
World File Search System不确定性
利用机器学习和加速度测定法以不确定性对动物行为进行分类
腐烂的传感器在加速我们对动物生态学的理解方面一直是关键的，提供了具有高级基本生态学理论和知情保护行动的多种数据（Snape等，2018; Nickel等，2021; Nickel等，2021; Vonbank et al。，2023; West et al。，2024）。起源于主要用于跟踪动物位置和运动的工具，动物损坏的传感器已经演变为涵盖能够监视动物环境，行为和内部状态的广泛设备（Wilmers等，2015）。动物磨损的加速度计 - 衡量运动平面加速变化的传感器 - 已用于估计各种研究系统和问题的能量支出，并推断动物行为（请参阅Halsey等人。(2011); Fehlmann et al.(2017)).通过在开阔海洋中发现大型上层鱼类产卵行为的检测到表征难以捉摸的陆地捕食者的狩猎和能量（Clarke等，2021; Wang等，2015），加速度计在生态学上已成为一个有价值的工具，并在生态学上已经大大扩展了跨越的生态范围，以前跨越了跨越的生态范围，并具有跨越的范围，并具有跨越的范围，并具有跨越的范围。 (Studd et al., 2021).加速度计捕获动物行为的实用性在于它们捕获与特定运动或与不同行为不同的特定运动或姿势相对应的不同波形模式的能力（Brown等，2013）。用于分类动物行为的机器学习模型包括来自古典机器学习分类器的多样性，例如支持向量机（Martiskainen然而，与其他传感器方式（例如GPS或温度传感器）提供的直接测量相反，加速度计数据的相对抽象的性质可以使波形的解释具有挑战性。因此，用加速度计数据识别行为通常需要将原始加速度计数据与已知行为配对，以创建标记的数据集，这些数据集可用于学习感兴趣的不同行为的特定波形模式（Brown等，2013）。由于可以收集的大量加速度计数据以及行为特征之间的微妙区别，手动检测到看不见的加速度计数据中的不同行为可能具有挑战性。为了克服这一问题，机器学习技术越来越被利用，以学习从标记的数据集中采取不同行为的加速度计模式（Chakravarty等，2019; Garde等，2021; Otsuka et al。，2024）。
在气候变化不确定性下评估苏丹的水电和灌溉开发
气候变化对尼罗河基础设施的发展构成了不确定性。预测表明，气候变化将改变尼罗河流，并在影响方面有多种不确定性（Basheer等人。2023; Beyene等。2010; Tariku等。2021），需要进行压力测试的开发计划，以确保投资对流量和灌溉需求的改变是有力的。为了评估气候变化对计划的基础设施的影响，我们开发了一个综合的分析框架（图2），将气候变化投影与水文，河流系统和尼罗河经济模型相结合。该框架用于评估在不同的气候变化情景下，直到2050年，苏丹的分阶段水电和灌溉发展途径的潜在生物物理和经济影响。
汉克对估计的商业周期模型中对汇总不确定性的反应 *
具有名义僵化和丰富家庭异质性的快速成长的文献研究模型。1在此类汉克模型的核心是财务市场中的摩擦，特别是针对特质收入冲击的保险不完整，以及跨资产的流动性差异。因此，家庭对储蓄和投资组合选择的未来问题的不确定性做出了反应。例如，较高的不确定性会鼓励预防性储蓄，并使流动性不足的资产降低。在平衡中，不确定性的增加降低了无风险率，并提高了流动性不足资产的保费。但是，汉克模型上的大多数工作都限制了对特殊不确定性反应的关注。这是出于技术原因：有了预期的效用偏好，不确定的二阶对效用和选择的影响仅由流行的线性解决方案方法捕获。因此，大多数HANK模型由于总体不确定性而不会量化预防性储蓄或资产溢价。他们还从固定不确定性的效果中抽象出对公司决策的影响。这些技术特征在宏观经济学和财务方面的大型工作体系之间建立了脱节，强调了较时的总体不确定性。本文开发并估计了一个两者的汉克模型，其代理人对特质和总体不确定性做出了反应。我们表明，当使用多个PRIORS偏好将聚集不确定性建模为模棱两可时，这种模型非常容易。也存在企业内部选择的总体不确定性的第一阶效果。ag-gregate不确定性对效用具有第一阶的影响，并在稳态和线性动力学方程式中反映在方程中，因此我们可以使用标准方法来表征和估计我们的模型。在总体不确定性冲击后，更加谨慎地使所有跨越的决定 - 家庭选择和企业的价格和工资设定的选择以及价格和工资设定。我们的主要定量结果是，总体不确定性冲击会在整个商业周期内产生宏观经济总计和资产价格的强大合作。在我们的基线估计中，对TFP的歧义的单一震惊共同解释了关键宏观经济骨料以及Capi-tal的超额回报和实际利率的70％以上的周期性变化。相比之下，我们的估计仅涉及对劳动收入的特殊波动性的震惊的重要作用。识别来自投资的动力：只有总体不确定性冲击才会带来衰退，并具有强烈的旷日持久的投资低迷。我们还推断了总体不确定性对资产价格的重要影响：5.5％的平均超额资本回报率反映出相当大的不确定性溢价为3.2％，较小的流动性溢价为2.3％。
墨西哥经济前景：2025年的不确定性没有结束
所有部门378.9 15.7 100.0 87车辆，铁路或电车道除外，零件等102.5 35.4 27.1 84核反应堆，锅炉，机械等;零件77.3 20.0 20.4 85电动机等；声音设备；电视设备； PTS 65.3 18.8 17.2 90光学，照片等，医疗或手术器械等17.3 19.0 4.6 27矿物燃料，油等。;沥青替代；矿物蜡12.6 6.8 3.3 22饮料，烈酒和醋9.9 42.0 2.6 94 Furnit;床上用品，床垫; luminaires; luminaires，fielfif; filefab 9.7 19.4 2.6 08 2.6 08可食用的水果和坚果； Citrus Fruit Or Melon Peel 8.2 46.0 2.2 07 Edible Vegetables & Certain Roots & Tubers 7.5 63.8 2.0 98 Special Classification Provisions, Nesoi 6.8 8.9 1.8 39 Plastics And Articles Thereof 6.1 11.1 1.6 73 Articles Of Iron Or Steel 5.5 14.8 1.5 71 Nat Etc Pearls, Prec Etc Stones, Pr Met Etc;硬币4.1 7.5 1.1 40橡胶及其物品3.5 13.8 0.9 72铁和钢2.4 10.0 0.6 19.预备谷物，面粉，淀粉或牛奶； Bakers Wares 2.2 19.3 0.6 83 Miscellaneous Articles Of Base Metal 2.2 18.7 0.6 99 Special Import Provisions, Nesoi 2.1 11.7 0.6 20 Prep Vegetables, Fruit, Nuts Or Other Plant Parts 1.8 16.8 0.5 02 Meat And Edible Meat Offal 1.5 14.3 0.4 Others 30.2 - 8.0
在IBO的国家不确定性细节中，本地预测...
即将上任的总统管理局和国会对国民经济的最终影响将取决于政策在选举期间提出的建议将在多大程度上实现，最终制定方式以及政策的实施速度。此外，当地经济的几个方面将取决于州和城市对联邦一级的任何此类变化的反应。在全国大选后不久，即将到来的总统管理局仍在成形，直到明年年初才尚未上任。纽约市还在为下一次城市和市长选举做准备，当时政府之间的相互作用尤为重要。
人工智能中不确定性的表现：超越概率和可能性
统计推断证据范式的扩展，而 Shafer 将这些上限和下限概率解释为可信度和信念函数，而不参考具有一对多映射的底层概率空间。这样获得的方法被 Shafer 称为证据理论。它专门用于表示和合并不可靠的证据。相反，由于对随机变量的观察不完整，Dempster 设置中的上限和下限概率也可能模拟未知的概率。第二个想法是使用（凸）概率集，要么是因为统计模型不为人所知，要么是因为生成主观概率的通常协议发生了改变，承认与风险事件相关的彩票的买卖价格可能不同。后者是沃利低预测和不精确概率理论的基础。事实证明，沃利的框架在数学上比 Dempster-Shafer 理论更通用。本章介绍了贝叶斯概率论的这些概括。
人工智能中不确定性的表示
摘要 由于人工智能主要关注知识表示和推理，它必然要处理各种处理不确定性的框架：概率论，以及更新的方法：可能性理论、证据理论和不精确概率。本章的目的是提供一个介绍性的概述，揭示表示不确定性的两个基本框架的具体特征：概率论和可能性理论，同时强调表示不确定性的任务所面临的主要问题。这一目的还提供了定位相关主题的机会，例如粗糙集和模糊集，它们分别受到考虑语言选择引起的表示粒度和自然语言谓词的渐进性的驱动。此外，本概述还简要介绍了其他理论表示框架，例如形式概念分析、条件事件和排名函数，以及可能性逻辑，与此处讨论的不确定性框架有关。本卷的下一章将讨论更复杂的框架：信念函数和不精确概率。
重新思考核心和认知不确定性
鉴于它们的使用规模，这些想法在文献中并没有连贯地讨论。基于模型的预测与生成数据生成过程之间的界限反复模糊（Adlam等，2020； Amini等，2020； Ayhan＆Berens，2018； Collier等，Collier等，2020; Immer等，2021; Kapoor等，2022; Kapoor等，2022; 2022; Liu等，2022; Maver et al，2022; Mafor-Parker et al，2022; Mavor et al，2022; 2022; nim，2022; nin，2022; Inn，2022； ;史密斯＆gal，2018年；Different mathematical quantities are used to refer to notionally the same concepts: epistemic uncertainty, for example, has received multiple definitions, including variance-based measures ( Gal , 2016 ; Kendall & Gal , 2017 ; McAllister , 2016 ), information- based measures ( Gal et al , 2017 ), ad-hoc reinterpretations of information-based measures ( Shen et al , 2018 ; Siddhant & Lipton , 2018 ) and基于距离的措施（Mukhoti等，2021，2023; van Amersfoort等，2020）。在预测不确定性和准确性之间提出了误导连接（Orlando等，2019； Wang等，2019）。关于预测性不确定性将如何在看不见的数据上分解的脆弱假设（Seeb - Ock等，2019； Wang＆Aitchison，2021）。
上下游不确定性下的投资
⋆ Grigoris：爱荷华大学蒂皮商学院，帕帕约翰商务大楼，爱荷华市，爱荷华州 52242，美国（电子邮件：fgrigoris@uiowa.edu）；Segal（通讯作者）：北卡罗来纳大学教堂山分校凯南-弗拉格勒商学院，麦科尔大楼，教堂山，北卡罗来纳州 27599，美国（电子邮件：Gill_Segal@kenan-flagler.unc.edu）。我们感谢 Vikas Agrawal、Hengjie Ai（评论员）、Ravi Bansal、Matteo Binfar`e、Nick Bloom、Daniel Carvalho、Bhagwan Chowdhry、Riccardo Colacito、Andrea Eisfeldt、Jack Favilukis、Michael Gallmeyer（评论员）、Jon Garfinkel、Lorenzo Garlappi、Naveen Ghondi（评论员）、Christian Heyerdahl-Larsen、Lixin Huang（评论员）、Philipp Illeditsch、Rustom Irani（评论员）、Ravi Jagannathan、Gustavo Joaquim（评论员）、Shane Johnson、Preetesh Kantak、Lars-Alexander Kuehn（评论员）、Erik Lie、Sydney Ludvigson、Michael O'Doherty、Richard Peter、Pavel Savor（评论员）、Petra Sinagl、Michael Woeppel、Wei Wu（评论员）、Keer Yang （讨论人）、Nancy Xu 和 Michael Young，以及印第安纳大学、爱荷华大学、密苏里大学、西澳大利亚大学、韩国商学院、北卡罗来纳州立大学、弗吉尼亚大学、宾夕法尼亚州立大学、2024 年计量经济学会会议、2022 年中西部金融协会年会、2022 年青年学者金融联盟、2022 年金融经济与会计会议、2022 年金融管理协会年会、2022 年东部金融协会年会、2021 年印度商学院暑期研究会议、2021 年北方金融协会年会、2021 年欧洲经济协会年会、2021 年沃巴什河金融会议、2021 年新西兰金融会议、第 34 届 AFBC 和 2021 年金融市场与公司治理会议、2023 年 SITE - 资产定价和 2023 年 SITE 的研讨会参与者- 不确定性和波动性，提供有用的评论和建议。所有错误都是我们自己的。
不确定性吸引模块化的设计和分析...
我们提出了不确定性感知的模块化自治堆栈的框架，以描述利用不确定性定量（UQ）的现代机器人系统。在论文的第一部分中，我们引入了导航框架的实现。我们提出了一条新型管道，以从使用保形预测的轨迹预测模型以及一种利用这些集合的安全保证的计划方法中获得概率安全且可行的可行性集合。我们通过实际的自动驾驶数据以及波音车辆的实验来展示管道在仿真中的功效。在第二部分中，我们通过研究使用UQ的系统范围的影响，对框架进行了分析。我们使用级别设置估计工具来有效地量化系统的鲁棒性和校准，即使评估过程成本很高。我们将分析应用于两个现实的行业级系统。我们发现，在存在输入误差的情况下，UQ改善了整体系统的鲁棒性，尽管上游的错误输出错误，但UQ使下游模块能够提供校准的输出。