共形

2025年3月11日机构名称:

LuísB。Elvas的公共形象 - 科学-IUL

luísManuelNobre de Brito Elvas，Informatics工程学士学位和综合决策支持系统硕士学位是技术与建筑研究中心（ISTAR）的研究员，以及里斯本医学院（AIDFM）的研究与发展协会。在计算中的健康背景下，它已经从事数据挖掘，计算机视觉和人工智能技术，分别提取数据标准，对图像和文本报告进行分类。在2022年，他的工作以工程师的命令为特色。它也是ISCTE的IEEE计算情报学会学生分支分会的主席。

查看详细

File

2025年3月10日机构名称:

Rui Neto Marinheiro的公共形象 - 里斯本 - 科学-IUL

rui Neto Marinheiro在1995年在波尔托大学（University of Porto）的电子技术与计算机工程学位，专门针对电信和计算机的专业化，他立即在2001年获得了FCT奖学金的博士学位，电子和计算机科学的研究，并于2001年在南安普顿大学（University of Southampton University of Southampton of Southampton of Southampton of Southampton of Southampton of Southampton of。返回葡萄牙后，它始于ISCTE技术与建筑学院的信息科学和技术系 - 里斯本大学研究所，其教学活动，目前是副教授。迄今已教授数十个课程单元，即各种教育，目前是电信和信息学工程学位的董事。此外，它还参加了大量的持续培训计划以及向其他机构的合作和咨询服务。在ISCTE中也致力于学术管理活动，包括在ISCTE引入电子学习教学，视听中心和实验室协调的协调。它最近参与了促进流动性的举措，例如Erasmus+计划和招募国际学生。在其科学活动中，他从电信研究所融合了，他参加了许多国际和国家项目，曾是其中一些项目的主要或本地研究人员。它还参与组织了大量的科学事件，并在计算机网络领域拥有数十个国际科学出版物，包括网络架构，移动性和异质网络，通信体系结构和

查看详细

File

2025年2月14日机构名称:

超越信心：自主系统感知的双阈值共形预测中的自适应弃权

摘要 - 安全至关重要的感知系统都需要可靠的不确定性量化和原则上的弃权机械，以在不同的操作条件下保持安全性。我们提出了一个新颖的双阈值共形框架，该框架可提供统计保证的不确定性估计，同时在高风险场景中实现选择性预测。我们的ap-proch唯一结合了共形阈值，以确保有效的预测集和通过ROC分析优化的弃用阈值，从而提供无分布的覆盖范围保证（≥1-α），同时识别不可靠的预测。通过对CIFAR-100，ImagEnet1k和ModelNet40数据集进行全面评估，我们在不同的环境扰动下展示了跨摄像头和激光痛的较高鲁棒性。该框架在严重的条件下达到了出色的检测性能（AUC：0.993→0.995），同时保持高覆盖率（> 90.0％），并实现适应性弃权（13.5％→63.4％±0.5），作为环境严重程度。对于基于激光雷达的感知，我们的方法表现出特别强大的表现，保持了强大的共识（> 84.5％），同时适当弃权不可靠的预测。值得注意的是，该框架在重扰动下显示出显着的稳定性，检测性能（AUC：0.995±0.001）在所有模式中的现有方法都显着超过现有方法。我们的统一方法弥合了理论保证和实际部署需求之间的差距，为在挑战性的现实世界中运行的安全至关重要的自主系统提供了强有力的解决方案。代码可在https://github.com/divake/conformal预测基于传感器的信任可达检测

查看详细

File

2025年2月11日机构名称:

表观遗传时钟的不确定性定量通过共形分位数回归

表观遗传年龄预测因子是Horvath的表观遗传钟1，这是一个统计预测模型，在353 CpG位点使用DNAM至1个预测年龄。2种训练表观遗传时钟的标准方法涉及几个关键步骤：（i）从具有不同背景的个体3个个体的生物样本中收集生物样本；（ii）提取DNA并进行DNA甲基化分析；（iii）进行数据预处理4个程序，例如缺少数据插补，离群值删除和数据归一化；（iv）采用特征筛选方法5来识别相关的CPG站点，这些位点可预测年龄或与衰老过程相关；（v）将高维6回归模型与弹性净罚款拟合；（vi）在独立的测试数据集上评估模型性能，以验证其7个准确性和鲁棒性。8尽管有完善的构造表观遗传时钟的管道，但其中大多数仅提供点平均预测1,2,5。9

查看详细

File

2025年2月11日机构名称:

与视觉模型识别人类作用识别的共形预测

摘要 - 人类在循环（HITL）框架上是许多现实世界中的计算机视觉系统的特征，使人类操作员能够在AI帮助的情况下做出明智的决定。共形预测（CP）为标签集提供了严格的基于地面真相包容概率的保证，最近已成为HITL设置中有价值的工具。一个关键的应用领域是视频监视，与人类行动识别（HAR）紧密相关。这项研究探讨了CP在使用广泛预先训练的视觉模型（VLMS）的最先进的方法上的应用。我们的发现表明，CP可以显着减少候选类别的平均数量，而无需修改基础VLM。但是，这些减少通常会导致长尾巴的分布。为了解决这个问题，我们引入了一种基于调整VLM的温度参数以最小化这些尾巴的方法而无需其他校准数据的方法。我们的代码可在github上通过地址https://github.com/tbary/cp4vlm提供。索引项 - 符合预测，温度调整，视觉语言模型，人类行动识别。

查看详细

File

2024年12月3日机构名称:

超正态空间中的量子共形对称性

在没有完整的量子引力理论的情况下，量子场和量子粒子在时空叠加中的行为问题似乎超出了理论和实验研究的范围。在这里，我们使用量子参考系形式主义的扩展来解决位于共形等价度量叠加上的克莱因-戈登场的这个问题。基于“量子共形变换”的群结构，我们构造了一个显式量子算子，它可以将描述时空叠加上的量子场的状态映射到表示闵可夫斯基背景上质量叠加的量子场的状态。这构成了一个扩展的对称性原理，即量子共形变换下的不变性。后者允许通过将微分同胚非等价时空的叠加与弯曲时空上更直观的量子场叠加联系起来，建立对微分同胚非等价时空的叠加的理解。此外，它可以用于将弯曲时空中的粒子产生现象导入到其共形等价对应部分，从而揭示具有修正克莱因-戈登质量的闵可夫斯基时空的新特征。

查看详细

File

2024年5月16日机构名称:

使用共形预测对基于模型的控制器的不确定性定量和鲁棒化

在基于现代模型的控制框架中，例如模型预测控制或基于模型的信息学习学习，机器学习已成为一种无处不在的技术类别，以提高动态模型的准确性。通过利用诸如神经网络之类的表现力体系结构，这些框架旨在通过构建系统动力学的准确数据驱动表示，旨在提高系统的模型精度和控制性能。尽管对其非学习顾问进行了显着的绩效提高，但对于这些基于模型的模型的基于模型的控制器在不确定性的存在下，这些模型的控制器通常几乎没有保证。尤其是在模拟误差，噪声和外源性干扰的影响下，确定这些学习模型的准确性是一项挑战。在某些情况下，甚至可能违反约束，使控制器不安全。在这项工作中，我们提出了一个新颖的框架，该框架可以应用于大量的基于模型的控制器，并通过以在线和模块化方式鲁棒化基于模型的控制器，从而减轻上述问题，并在模型的准确性和约束满意度上提供可证明的保证。该框架首先部署保形预测，以生成有限的，可证明的有效的不确定性区域，以无分配方式为动态模型。通过动态约束程序，这些不确定性区域被纳入约束中。关键字：基于学习的控制，基于模型的控制，不确定性量化1。（2023a））。Jiahao等。Jiahao等。与预测参考生成器的配方一起，生成了一组可鲁棒的参考传播，并将其纳入基于模型的控制器中。使用两个实际的案例研究，我们证明我们提出的方法不仅产生了良好的不良区域，这些区域建立了模型的准确性，而且还使闭环系统以强大但不保守的方式满足约束。简介由于非线性优化框架的最新进展以及计算资源的可用性增加，在广泛的域上应用基于模型的控制器的应用趋势是趋势。，用于建筑物中的温度控制（Yao和Shekhar（2021）），用于自动驾驶汽车（Wu等人（2022））和四型控制（Chee等人机器学习方法的扩散同时导致了学习增强的，基于模型的控制框架的发展，这些框架利用学习工具通过改进动态模型来提高控制性能，例如（2023）。尽管这些发展激增，但这些基于学习的控制框架在不确定性存在下如何执行的问题仍然是一个积极的研究主题（Mesbah等人。（2022）; Brunke等。（2022））。在这项工作中，我们通过提出一个新颖的框架来解决这个问题，该框架系统地允许基于模型的控制器在模型不匹配，噪声和外部干扰的集体影响下稳健地满足约束。

查看详细

File

2024年3月28日机构名称:

通过共形预测在度量空间中的个性化插补：通过连续葡萄糖监测预测糖尿病发育的应用

处理丢失数据的挑战在现代数据分析中很普遍，尤其是在预处理阶段和各种推论建模任务中。尽管存在许多算法来推出丢失的数据，但对患者级别的归纳质量的评估通常缺乏个性化的统计方法。此外，基于度量空间的统计对象存在稀缺的插补方法。本文的目的是引入一个新颖的两步框架，其中包括：（i）用于在指标空间中取值的统计对象的插补方法，以及（ii）使用保形推理技术个性化插补的标准。这项工作是出于需要在一项关于糖尿病的纵向研究的背景下，需要将连续葡萄糖监测（CGM）数据的分布功能表示形式进行，在这种情况下，很大一部分患者没有可用的CGM特征。通过评估CGM数据作为新的数字生物标志物的有效性来预测健康人群中糖尿病发作的时间来说明这些方法的重要性。为了应对这些科学挑战，我们提出：（i）一种新的回归算法，用于缺失响应；（ii）针对公制空间量身定制的新型保形预测算法，重点是2-wasserstein几何形状内的密度响应；（iii）一种广泛适用的个性化插补方法标准，旨在增强上述两种策略，但在任何统计模型和数据结构中都有效。我们的发现表明，将CGM数据纳入糖尿病时间分析中，并通过新颖的插补个性化阶段增强，与传统的糖尿病时间预测模型相比，预测准确性显着提高了10％以上。

查看详细