XiaoMi-AI文件搜索系统
World File Search System似然
通过条件似然差异对文本到图像扩散模型进行成员推断
文本到图像的扩散模型在可控图像生成领域取得了巨大成功，同时也带来了隐私泄露和数据版权问题。成员资格推断在此背景下作为检测未经授权数据使用的潜在审计方法而出现。虽然人们对扩散模型进行了一些研究，但由于计算开销和增强的泛化能力，它们并不适用于文本到图像的扩散模型。在本文中，我们首先发现文本到图像的扩散模型中的条件过拟合现象，表明这些模型倾向于在给定相应文本的情况下过拟合图像的条件分布，而不仅仅是图像的边际分布。基于这一观察，我们推导出一个分析指标，即条件似然偏差（CLiD），以进行成员资格推断，这降低了估计单个样本记忆的随机性。实验结果表明，我们的方法在各种数据分布和数据集规模上都明显优于以前的方法。此外，我们的方法表现出对过度拟合缓解策略（例如早期停止和数据增强）的卓越抵抗力。
高阶无约束二进制优化和 MIMO 最大似然检测的量子算法
摘要 — 在本文中，我们提出了一种支持实值高阶无约束二进制优化 (HUBO) 问题的量子算法。该算法基于 Grover 自适应搜索，该搜索最初支持具有整数系数的 HUBO。接下来，作为应用示例，我们将多输入多输出最大似然检测公式化为具有实值系数的 HUBO 问题，其中我们使用 5G 标准中指定的格雷编码位到符号映射。所提出的方法使我们能够为检测问题构建有效的量子电路，并分析所需量子比特和量子门的特定数量，而其他传统研究假设这种电路可作为量子预言机。为了进一步加速量子算法，我们还推导出目标函数值的概率分布，并确定一个唯一阈值以采样更好的状态。假设未来出现容错量子计算，我们提出的算法有可能显著降低经典领域的查询复杂性，并在量子领域提供二次加速。
研究文章 使用统计似然比检验对阿尔茨海默病进行计算机辅助诊断
这项工作的目的是为放射科医生提供一种计算机辅助诊断工具，以帮助他们诊断阿尔茨海默病。在阿尔茨海默病的检测中实施了信号检测理论的统计似然比程序。使用阿尔茨海默病 (AD) 患者和正常对照 (NC) 的内侧颞叶 (MTL) 体积构建似然比的概率密度函数。使用 T1 加权 MRI 图像，通过 Free-Surfer 软件计算 MTL 以及大脑其他解剖区域的体积。AD 和 NC 的 MRI 图像是从阿尔茨海默病神经影像学倡议 (ADNI) 的数据库下载的。使用阿尔茨海默病最小间隔共振成像 (MIRIAD) 的单独数据集进行诊断测试。 MIRIAD 数据集的敏感性为 89.1%，特异性为 87.0%，优于最优秀的放射科医生在未输入其他患者信息的情况下所达到的 85% 的敏感性和特异性。
针对性的最大似然估计，以估算先前结核病治疗在苏丹耐药性结核病中的因果关系
多药耐药性结核病（MDR-TB）被定义为异念珠菌和利福平的感染。在全球范围内，有132222个报告了2020年的MDR-TB病例。研究表明，先前的结核病治疗和治疗中断被认为是MDR-TB的主要原因[1，2]。流行病学家将病例对照研究定义为偏见的采样设计。病例对照研究的设计着重于参数逻辑回归，以计算一组协变量的调整后的奇数比（或）。但是，为了建立因果估计人群，或应估算。流行病学家将案例控制定义为与目标人群相比患有疾病的人比例的偏见。病例对照研究的设计着重于参数逻辑回归，以计算一组协变量上的或条件。要构建因果估计，我们必须估计边缘人口或[3]。目标最大似然估计（TMLE）是一种双重鲁棒方法，使用机器学习算法来最大程度地减少偏见的风险[4]。逆概率处理权重（IPTW）是一种因果方法，用于通过创建检查治疗对暴露的影响的模拟组来调整时变的混杂因素。IPTW方法基于侵害的概率，因为混杂因素被称为倾向评分（SP）[5]。 iptw在病例对照研究中有许多缺点，因此估计器无法在有限样本中对无症状效率和效率问题提出任何主张。IPTW方法基于侵害的概率，因为混杂因素被称为倾向评分（SP）[5]。iptw在病例对照研究中有许多缺点，因此估计器无法在有限样本中对无症状效率和效率问题提出任何主张。此外，IPTW在某些阶层中通过一组协变量定义的治疗或暴露组非常罕见时发生的所谓阳性违规行为不利[6]。因此，病例对照加权TMLE（CCW-TMLE）方法提供了双重鲁棒方法来估计无偏见的参数估计。如果给定暴露和协变量的结果模型的任何预期参数或给定协变量的暴露模型是正确的[7]，则此方法是一致的。ccw-tmle需要了解结果的患病率概率，以减少偏见的设计[8]。此外，CCW-TMLE估计了各种参数，例如风险比和风险差异，这些参数在病例控制研究的传统分析中不可用。此外，TMLE可以估计边际因果效应，正确的规范和倾向评分。TMLE估计所有参数，假设每个人的暴露状态不会影响任何其他人的潜在结果。主要因果假设是没有未衡量的混杂因素。因此，已经测量了暴露和外来的常见原因[9]。在分析过程中有两种广泛的方法可以控制混杂。第一种方法是使用标准回归模型，第二种方法是遵循因果方法。标准回归模型无法在存在可能的混杂或相互作用和协变量之间的混杂或相互作用的情况下估算暴露的平均因果效应。原因是，此方法假设暴露者和混杂因素之间没有相互作用来估计池效应。更重要的是，标准回归模型无法调整时间变化
傅立叶变换与最大似然方法
摘要量子状态的相是用于量子电信，信号处理和计算的重要信息载体。量子相估计是在量子水平上提取和控制有用信息的基本操作。在这里，我们分析了量子相估计的各种方法时，当表征量子过程的相参数被刻在连接到用作探针信号的量子状态的相对相中。估计方法基于信号处理的标准概念（傅立叶变换，最大似然），但在量子领域中运行。我们还以经典和量子形式利用了Fisher信息，以评估每种量子相估计方法的性能。我们证明了可以通过优化的量子纠缠获得的，可以通过经典地获得增强的估计性能。超出对量子相估计的意义，结果说明了信号处理的标准概念如何有助于量子信息和量子技术的持续发展。
快速通信量子世界中的似然理论
在用实验数据检验理论时，贝叶斯方法为我们提供了一种根据新数据修正理论预期的合理方法。以抛硬币这个简单而熟悉的例子为例，我们首先相信硬币是公平的。如果我们抛硬币十次，九次都是正面，我们对公平的信念将动摇但不会被摧毁：九次正面仍然可能是偶然产生的。如果正面的情况持续下去，我们将很难坚持相信硬币是公平的。根据新数据修正我们的信念是科学方法的一个基本组成部分，这一点在 20 世纪 90 年代席卷社区的蒙蒂霍尔问题中得到了引人注目的体现。贝叶斯理论通常用于测试药物的功效，其中人们从“零假设”开始，即被测试的药物并不比安慰剂更有效。如果
机器学习中的最大似然 - 迈克尔·林德斯特罗姆
频繁主义者：一个常见主义者会说：“知道先前没有意义！我们如何才能了解与其相关参数集的所有可能模型的概率密度/质量？让我们放弃先验，专注于最大程度地提高可能性！”