XiaoMi-AI文件搜索系统
World File Search System似然估计
强大的机器学习算法用于文本分析
我们研究了潜在的Dirichlet分配模型，这是一种流行的贝叶斯算法，用于文本分析。我们表明，未识别模型的参数，这表明了先前事项的选择。我们表征了模型参数的给定功能的后均值范围可以在对先前的变化的反应中实现，我们建议两种报告此范围的算法。我们的两种算法都依赖于获得多个非负矩阵的构造，这是语料库人口项术语频率矩阵的后绘制或其最大似然估计器的。关键思想是在所有这些非负矩阵因子上的最大化/最小化感兴趣的功能。为了说明我们的结果的适用性，我们重新审视了透明度提高对美国企业政策讨论的沟通结构的影响。
![arxiv：2305.11283v5 [cs.lg] 2024年10月2日](/simg/f\ff712c48a65f819ca01a3257ff29e3fc2b268c09.webp)
arxiv：2305.11283v5 [cs.lg] 2024年10月2日
在本文中，我们研究了具有基于一般模型的函数近似值的均值控制（MFC）和均值野外游戏（MFC）和均值野外游戏（MFC）的基本统计效率。我们引入了一个称为基于均值模型的Eluder Dimension（MF-MBED）的新概念，该概念构成了均值模型类的固有复杂性。我们表明，富裕的平均RL问题家族表现出低MF膜。此外，我们提出了基于最大似然估计的al-gorithms，它可以返回MFC或MFG的ε-纳什平衡势。总体样品复合物仅取决于多项式膜，该MF膜可能比州行动空间的大小低得多。与先前的作品相比，我们的结果只需要刻薄的假设，包括可靠性和Lipschitz的连续性。
神经网络是学习时间段的模型...
本文提出了一种新颖的学习方法，用于复发神经网络（RNN）专家模型的混合，该模型可以通过在专家之间动态切换来获取生成所需序列的能力。我们的方法基于使用梯度下降算法的最大似然估计。此方法类似于常规方法中使用的方法。但是，我们通过添加一种机制来改变每个专家的差异来修改似然函数。所提出的方法被证明是成功地学习了一组9个Lissajous曲线之间的Markov链切换，而常规方法会失败。根据所提出的方法的概括能力分析的学习绩效也被证明优于常规方法。随着添加门控网络，该提出的方法成功地应用于小型类人机器人的感觉 - 运动流，作为时间序列预测和生成的现实问题。©2008 Elsevier Ltd.保留所有权利。
利用人工智能解决业务问题的进步
高斯过程回归预测模型利用 GPR 通过灵活的核来表示复杂的非线性多元函数。GPR 的贝叶斯框架量化了预测的不确定性，有助于决策并指导主动学习过程。回归使用高斯过程 (GP) 量来找到一个特定的函数分布，以解释观察到的样本 [参考文献 7]。所用特定核的 GP 模型参数 θ 对 Matérn 5/2 核的长度尺度和方差以及白噪声核的噪声水平进行编码。对于每个 GP 模型，使用最大似然估计来调整参数 θ ，以最好地解释给定的数据集 D 。GPR 的计算复杂度是时间成本的立方缩放 O(n3)，样本大小 n 归因于 K-1（相当于 n×n 密集核矩阵的逆）。为了降低复杂性，使用了降维方法。
采样加速了对收敛导电性和辐射特性的声子散射速率的预测
热导率和辐射特性的预测至关重要。然而，计算声子散射，尤其是对于四声子散射，可能非常昂贵，并且在考虑四光子散射后，硅的导热率显着较低，而在文献中没有融合。在这里，我们提出了一种使用最大似然估计的少量散射过程样本来估算散射速率的方法。散射速率和相关导热率和辐射特性的计算大大加速了三到四个数量级。这使我们能够使用32×32×32的前所未有的Q -MENS（在相互空间中离散的网格）来计算硅的四频散射并实现收敛的导热率值，从而同意实验更好。我们方法的准确性和效率使其非常适合对热和光学应用的材料进行高通量筛选。
欺骗相关大脑区域的荟萃分析连接模型
基于大脑的欺骗研究仅在二十年前就开始了，此后，欺骗范式包括各种各样的环境和反应方式。对这类研究的调查为我们的神经科学和法律知识提供了对个人欺骗他人的方式的法律知识。为此，我们使用BrainMap软件进行了激活似然估计（ALE）和荟萃分析连接性建模（MACM），以检查45个基于任务的fMRI脑部脑激活研究。欺骗性与诚实行为期间的激活可能性估计的激活揭示了7个显着的峰值作用簇（双侧岛，左上额回，双侧超边缘回和双侧额叶额叶）。荟萃分析的连通性建模揭示了包括单向和双向连接的7个区域之间的互连网络。与随后的行为和范式解码一起，这些发现暗示了超级方向的回旋作为社会认知过程的关键组成部分。
什么时候可以观察到的强化学习不是可怕的？
强化学习的应用（RL），尽管缺乏有关受控系统潜在状态的完整信息，但在该范围内，学会学会做出一系列裁定，即它们在国家的部分观察性下起作用，但无处不在。部分可观察到的RL可能很难 - 众所周知的信息理论结果表明，在最坏情况下，学习部分可用的马尔可夫决策过程（POMDP）需要指数级的样本。然而，这并不排除在学习是可以解决的庞大的POMDP的大型子类的存在。在本文中，我们确定了这样的子类，我们称之为弱揭示的POMDP。这个家庭排除了POMDP的病理实例，在某种程度上，观察结果是无知的，从而使学习艰难。我们证明，对于弱揭示了POMDP，一种简单的算法结合了乐观和最大似然估计（MLE），以确保保证多样性样本复杂性。据我们所知，这是从胜过pomdps中的相互作用中学习的第一个可证明的样本效果结果，其中潜在状态的数量可以大于观测值的数量。
通过逆问题的VAE的混合模型进行多种学习
用生成模型代表一系列非常高维数据在实践中已显示出非常有效的计算。但是，这要求数据歧管允许全局参数化。为了代表任意拓扑的多种流形，我们建议学习变分自动编码器的混合模型。在这里，每个编码器对代表一个歧管的一个图表。我们提出了一个模型权重估计的最大似然估计的损失函数，并选择一个为我们提供图表及其倒置的分析表达的体系结构。一旦学习了流形，我们就将其用于解决逆问题，通过最大程度地减少到学习歧管的数据实现项。为了解决最小化的问题，我们提出了在学习歧管上的riemannian梯度下降算法。我们证明了用于低维玩具示例的方法，以及某些图像歧管上的脱张和电阻抗层造影。关键字：多种学习，混合模型，变异自动编码器，Riemannian优化，反问题
使用威布尔分布
5.1 点估计和区间估计，130 5.2 删失，130 5.3 估计方法，132 5.3.1 Menon 方法，132 5.3.2 x 0.10 的顺序统计量估计，134 5.4 威布尔参数的图形估计，136 5.4.1 完全样本，136 5.4.2 删失样本的图形估计，140 5.5 最大似然估计，145 5.5.1 指数分布，147 5.5.2 指数分布的置信区间——II 型删失，147 5.5.3 指数分布的估计——区间删失，150 5.5.4 指数分布的估计分布 - I 型删失，151 5.5.5 指数分布的估计 - 零失效情况，153 5.6 威布尔分布的 ML 估计，154 5.6.1 形状参数已知，154 5.6.2 威布尔尺度参数的置信区间 - 形状参数已知，II 型删失，155 5.6.3 威布尔分布的 ML 估计 - 形状参数未知，157
使用量子态断层扫描重建单量子比特和双量子比特密度矩阵 指导老师：Mayerlin Nu˜nez Portela
我们报告了针对单和双量子比特偏振态的光子集合的量子态断层扫描的实验实现。我们的实现基于 James、Kwiat、Munro 和 White [ 1 ] 的工作，他们基于局部投影测量提供了良好的断层扫描重建。我们描述了从激光源制备的单量子比特态的理论和实验断层扫描测量，并展示了三个正交基的密度矩阵的断层扫描重建。此外，我们还描述了在下转换实验中产生的一对纠缠光子的两个偏振自由度的量子态断层扫描的理论和实验实现。讨论了两种不同的技术：一种是线性重建，其中密度矩阵由巧合测量构建，但可能会产生非物理密度矩阵，另一种是最大似然估计技术，可产生物理密度矩阵。最后，我们还讨论了 II 型 BBO 晶体中下转换光子的时间补偿及其对 2 量子比特态断层重建的影响，并给出了 SPDC 源的密度矩阵的断层重建。