XiaoMi-AI文件搜索系统
World File Search System原则性的
存在隐藏信息的量子因果推断...
量子因果关系是一个新兴的研究领域，它有可能极大地促进我们对量子系统的理解。在本文中，我们提出了一种新的理论框架，通过利用熵原理将量子信息科学与因果推理相结合。为此，我们利用隐藏原因的熵和观测变量的条件互信息之间的权衡，开发了一种可扩展的算法方法，用于在量子系统中存在潜在混杂因素（共同原因）的情况下推断因果关系。作为一种应用，我们考虑一个由三个纠缠量子比特组成的系统，并通过单独的噪声量子信道传输第二和第三个量子比特。在这个模型中，我们验证了第一个量子比特是一个潜在混杂因素，也是第二和第三个量子比特的共同原因。相反，当准备好两个纠缠量子比特并将其中一个通过噪声信道发送时，不存在共同的混杂因素。我们还证明了，当变量为经典变量时，通过密度矩阵而不是联合概率分布利用变量之间的量子依赖性，所提出的方法优于 Tubingen 数据库的经典因果推理结果。因此，所提出的方法以原则性的方式统一了经典和量子因果推理。
![arXiv:2005.09755v1 [cs.AI] 2020 年 5 月 19 日](/simg/g:\will\search\icon\source\f\f6e7086c6d5a50561b424f70f08494415ca4d80b.png)
arXiv:2005.09755v1 [cs.AI] 2020 年 5 月 19 日
有限资源的有效和公平分配是经济学和计算机科学中的经典问题。在肾脏交换中，中央做市商将活体肾脏捐赠者分配给需要器官的患者。肾脏交换中的患者和捐赠者使用委员会决定的临时权重进行优先排序，然后输入分配算法，确定谁得到什么，谁得不到。在本文中，我们提供了一种端到端方法来估计肾脏交换中各个参与者资料的权重。我们首先从人类受试者那里获取他们认为可以接受的患者属性列表，以便对患者进行优先排序（例如，医疗特征、生活方式选择等）。然后，我们向受试者询问患者资料之间的比较查询，并以原则性的方式从他们的回答中估计权重。我们展示了如何在肾脏交换市场清算算法中使用这些权重。然后，我们在模拟中评估权重的影响，发现我们计算的权重的精确数值并不重要，除了它们所暗示的资料顺序之外。然而，与根本不优先考虑患者相比，存在显著的影响，即根据人类引发的价值判断，某些类别的患者被优先考虑（降低优先考虑）。
在自适应人机协作中
人类可以在协作任务（例如打篮球）中快速适应新伙伴，因为他们知道任务的哪些基本技能（例如如何运球、如何投篮）可以传给新伙伴。人类还可以通过延续他们已经开发的惯例（例如举起手势传球）来快速适应与相同伙伴的类似任务，而无需从头开始学习协调。为了与人类无缝协作，AI代理也应该快速适应新伙伴和新任务。然而，目前的方法并没有试图区分任务固有的复杂性和合作伙伴使用的惯例，更普遍的是，很少有人关注利用惯例来适应新环境。在这项工作中，我们提出了一个学习框架，以原则性的方式将规则依赖表示与惯例依赖表示区分开来。我们表明，在某些假设下，我们的规则依赖表示是跨合作伙伴的最佳响应策略分布的充分统计数据。通过这种表示分离，我们的代理能够快速适应新伙伴，并以零次方式与旧伙伴协调新任务。我们通过三个复杂程度各异的协作任务实验验证了我们的方法：情境多臂老虎机、积木放置任务和纸牌游戏 Hanabi。
水平蒸馏
一致性蒸馏是一种在一致性（轨迹）模型中采用的加速扩散模型的普遍方法，在该模型中，学生模型被训练以对概率流（PF）普通微分方程（PF）轨迹向后遍历，由教师模型确定。预处理是通过线性将输入数据和网络输出与预定义系数组合为一致性函数的稳定一致性蒸馏的重要技术。它强加了一致性函数的边界条件，而无需限制神经网络的形式和表现力。但是，先前的前提条件是手工制作的，可能是次优选择。在这项工作中，我们通过阐明其设计标准以及与教师ode轨迹的联系来提供对一致性蒸馏的预处理的第一个理论见解。基于这些分析，我们进一步提出了一种原则性的方式，以一种名为Analytic Tracent的方式，以根据一致性差距（以教师Denoiser和Optimal Student Denoiser之间的差距）对预处理进行分析优化预处理，从而对普遍的教师ODE进行了优化。我们证明了分析性可以促进轨迹跳线的学习，增强了学生创造力与教师的一致性，并在多个数据集的多步生成中实现一致性轨迹模型的2×至3×训练加速。
马丁·海德格尔的理解概念
摘要 本文的主要目的是证明 Hubert Dreyfus 使用理解 (Verstehen) 对人工智能 (AI) 的不足。我的补充目标是对马丁·海德格尔的理解 (Verstehen) 概念提供一个原则性的解释。德雷福斯和其他证实主义者认为，理解 (Verstehen) 是有社会目的的行为和巧妙的具体应对。以这种方式构想的理解 (Verstehen) 据称挑战了依赖于形式规则、“理性”决策和知识的明确表示的人工智能 (AI) 认知模型。这种解释不能令人满意，原因有二。首先，它维持了一种外在的、目标导向的意向性，而这种意向性很容易受到人工智能 (AI) 成功的影响。其次，它忽略了对海德格尔本体论至关重要的自我理解 (Seinsverständnis) 的系统性和构成性分析。最近的释经工作重复了这些不足之处，未能改善关于海德格尔与人工智能 (AI) 关系的讨论。为了解决这一疏忽，我弥合了海德格尔的理解和公开性 (Erschlossenhei t) 概念之间的差距 (SZ §44 / 256-278)。我认为，理解表征了对实体的前理论把握和引发自我理解 (Seinsverständnis) 问题的前本体论结构。这一结果支持了海德格尔向存在感 (Sein) 作为可理解性基础的现象学突破。关键词：马丁·海德格尔、休伯特·德雷福斯、理解、知识、公开性、现象学
iDrug：通过跨网络嵌入整合药物重新定位和药物靶标预测
计算药物重新定位和药物靶标预测已成为药物发现早期阶段的重要任务。在以前的研究中，这两项任务通常是分开考虑的。然而，这两个任务中研究的实体（即药物、靶标和疾病）本质上是相关的。一方面，药物与细胞中的靶标相互作用以调节靶标活动，进而改变生物途径以促进健康功能并治疗疾病。另一方面，药物重新定位和药物靶标预测都涉及相同的药物特征空间，这自然地将这两个问题和两个领域（疾病和靶标）联系起来。通过利用群体智慧，可以将知识从一个领域转移到另一个领域。药物-靶标-疾病之间的关系的存在促使我们在药物发现中共同考虑药物重新定位和药物靶标预测。在本文中，我们提出了一种称为 iDrug 的新方法，它通过跨网络嵌入将药物重新定位和药物靶标预测无缝地集成到一个连贯的模型中。具体来说，我们提供了一种原则性的方法来从这两个领域转移知识并提高这两项任务的预测性能。使用真实世界的数据集，我们证明 iDrug 在两项学习任务上的表现都优于几种最先进的方法。我们的代码和数据集可在以下网址获得：https://github.com/Case-esaC/iDrug 。
iDrug：通过跨网络嵌入整合药物重新定位和药物靶标预测
计算药物重新定位和药物靶标预测已成为药物发现早期阶段的重要任务。在以前的研究中，这两项任务通常是分开考虑的。然而，这两个任务中研究的实体（即药物、靶标和疾病）本质上是相关的。一方面，药物与细胞中的靶标相互作用以调节靶标活动，进而改变生物途径以促进健康功能并治疗疾病。另一方面，药物重新定位和药物靶标预测都涉及相同的药物特征空间，这自然地将这两个问题和两个领域（疾病和靶标）联系起来。通过利用群体智慧，可以将知识从一个领域转移到另一个领域。药物-靶标-疾病之间的关系的存在促使我们在药物发现中共同考虑药物重新定位和药物靶标预测。在本文中，我们提出了一种称为 iDrug 的新方法，它通过跨网络嵌入将药物重新定位和药物靶标预测无缝地集成到一个连贯的模型中。具体来说，我们提供了一种原则性的方法来从这两个领域转移知识并提高这两项任务的预测性能。使用真实世界的数据集，我们证明 iDrug 在两项学习任务上的表现都优于几种最先进的方法。我们的代码和数据集可在以下网址获得：https://github.com/Case-esaC/iDrug 。
利用人工智能实现有效的待办事项列表游戏化
许多人都有拖延症，无法优先处理最重要的工作。为了帮助用户克服此类问题，Habitica 等游戏化生产力工具使用了启发式积分系统，但这可能会适得其反。我们最近提出了一种更有原则性的积分值计算方法，以避免此类问题。虽然理论上很有前景，但即使对于非常短的待办事项清单，也需要大量计算。在这里，我们提出了一种可扩展的近似方法，使我们的待办事项清单游戏化原则方法可在现实世界中使用。我们的方法利用人工智能来生成游戏化的待办事项清单，其中每个任务都受到一定数量的积分的激励，这些积分传达了该任务的长期价值。我们的新方法更具可扩展性的原因在于，它将计算用户如何最好地实现其目标的长期计划的问题分解为一系列较小的规划问题。我们通过将该方法应用于目标、子目标和任务数量不断增加的待办事项列表来评估该方法的可扩展性，并且我们还增加了目标层次结构的嵌套层数。我们发现该方法可以使 Web 和移动应用程序为相当大的待办事项列表计算出出色的积分系统，其中最多 576 个任务分布在最多 9 个不同的顶级目标上。我们的方法可通过 API 1 免费获得。这使得我们的方法易于在游戏化的 Web 应用程序和移动应用程序中使用。
神经网络的方差稳定优化
摘要 — 提出了一种基于测量变化特性和稳定性的神经网络训练新框架。该框架具有许多有用的属性，可以最大限度地利用数据，并以原则性的方式帮助解释结果。这是通过方差稳定和随后的标准化步骤实现的。该方法是一种通用方法，可用于任何有重复性数据的情况。以这种方式进行标准化可以量化拟合优度，并从统计角度解释测量数据。我们展示了该框架在先进制造数据分析中的实用性。索引词 — 方差稳定、神经网络、多层感知器、简化卡方、自由度卡方、金属增材制造在本文中，采用神经网络作为广义回归量，研究金属增材制造 (AM) 工艺参数与 IN718 超级合金的熔池几何特性之间的关系。本文以用例的形式介绍了增材制造数据的分析，但框架本身是通用的，可用于任何有可重复性数据的方法。增材制造是一种逐层构建组件的 3D 打印工艺；熔池是熔融原料和基材的体积。了解材料与熔池之间的潜在物理原理和关系是工艺优化的关键，然而现场测量的机会有限，因此缺乏对基本工艺的理解。使用神经网络分析先进制造工艺数据特别困难，因为收集高质量数据成本高、流程复杂且需要精心规划。这通常会导致数据集样本数量较少 [1]、[2]，需要系统的方法来帮助进行可靠的解释。
比较统计，机器学习的性能...
轻度认知障碍（MCI）是一种疾病，其特征是认知能力下降，特别是在记忆，语言和注意力方面，这超出了由于正常衰老而预期的。检测MCI对于提供适当的干预措施并减慢痴呆症的进展至关重要。使用时间到事件数据有几种预测的自动化预测算法，但是尚不清楚哪个最好预测与MCI相关的时间。如果训练权重较少的算法较少准确，也存在混乱。我们比较了三种算法，从较小到大的训练权重：统计预测模型（COX比例危害模型，Coxph），机器学习模型（随机生存森林，RSF）和深度学习模型（DeepSurv）。要比较不同方案的算法，我们基于ALZ-HEIMER NACC数据集创建了一个模拟数据集。我们发现，在所有模拟场景中，Coxph模型都是表现最佳的模型之一。在较大的样本量（n = 6,000）中，深度学习算法（DeepSurv）表现出与Coxph模型（73％）的可比精度（73.1％）。过去，忽略Coxph模型中的异质性，得出的结论是，深度学习方法是优越的。我们发现，在使用异质性的Coxph模型时，其准确性与DeepSurv和RSF相当。此外，当存在未观察到的异质性时，例如训练中缺少特征，所有三个模型的准确性都相似。这项仿真研究表明，在某些应用中，具有较小训练权重的算法并不是在准确性方面处于不利地位。由于权重较少的算法本质上更容易解释，因此该研究可以帮助艺术智能研究开发一种原则性的方法来比较统计，机器学习和深度学习算法，以实现时间预测。