XiaoMi-AI文件搜索系统
World File Search System变量
描述 DAG 中的确定性变量 Berrie & Arnold 等人 2023
因果 DAG 是一组变量（或“节点”）之间假设的因果关系的图形表示。1、2 图中的任何两个变量都可以通过单向箭头（或“弧”）连接，这表示第一个变量（“父级”或“祖先”）对第二个变量（“子级”或“后代”）产生因果影响。由于 DAG 是非循环的，因此没有变量可以导致自身。特定暴露对特定结果的总因果效应是暴露对结果的所有直接和间接因果效应的组合。混杂变量既导致暴露也导致结果，中介变量由暴露引起并导致结果，碰撞变量由两个或多个父变量引起。在估计暴露对结果的总因果效应时，
用于分子电影整体细化的数据引导多映射变量
（未经同行评审认证）是作者/资助者。保留所有权利。未经许可不得重复使用。此预印本的版权所有者此版本于 2020 年 8 月 6 日发布。；https://doi.org/10.1101/2020.07.23.217794 doi：bioRxiv preprint
多变量病变症状映射，以预测从失语症中恢复的轨迹
中风后失语症的人倾向于在某种程度上恢复其语言；但是，可靠地预测长期将发生的恢复的性质和程度仍然充满挑战。这项研究的目的是定量预测语言结果的第一年，从多个语言的多个领域和中风后多个时间点恢复。我们招募了217名失语症患者，急性左半球缺血或出血性中风，并使用快速的Aphinia电池急性电池评估了他们的语音和语言功能，然后在势利点最多获得纵向后续数据，最多三个时间点：1个月（n = 102）（n = 102），3个月（n = 98）（n = 98）（n = 98）和1年（n = 74）（n = 74）。我们使用支持矢量回归来使用急性临床成像数据，人口统计学变量和初始失语症的严重程度作为输入来预测每个时间点的语言结果。我们发现，可以使用这些模型来预测长期（1年）失语症的60％的差异，并具有有关病变位置的详细信息，重要的是有助于这些预测。在1个月和3个月的时间点上的预测基于病变位置的准确性较小，但在模型中包括初始APHA SIA的严重性时，在1年时间点的预测中达到了可比的准确性。语言的特定子域除了总体严重程度外，还具有不同的准确性，但通常相似的准确性。我们的发现证明了使用支持矢量回归模型具有带有一方面的交叉验证的可行性，以对长期恢复失语症进行个性化预测，并提供有价值的神经解剖基线，以在此基准上建立未来模型，并将未来的模型纳入超出神经解剖学和人际预测因素以外的信息。
ecloudgen：利用电子云作为潜在变量，以扩展基于结构的分子设计
。CC-BY-NC 4.0国际许可证的永久性。是根据作者/资助者提供的预印本（未经同行评审认证）提供的，他已授予Biorxiv的许可证，以在2024年12月26日发布的此版本中显示此版本的版权持有人。 https://doi.org/10.1101/2024.06.03.597263 doi：Biorxiv Preprint
会议摘要机器学习模型，以预测循环中的动力学变量
要对运动进行全面分析，生物力学需要运动学和动力学数据。在循环中，使用主要集中在上肢和下肢的关节角度的运动捕获系统获得运动学数据。实际上，在自行车拟合分析中，经常研究有关下肢关节角速度和关节角加速度的信息。至于动力学，有必要使用仪器踏板来了解下肢施加到踏板上的力。使用从踏板获得的信息，可以通过诸如有效性索引（IE）等指标来评估踏板技术。IE定义为切向力与施加在踏板上的总力的比率（Millour，Velásquez和Domingue，2023年）。尽管该指标非常重要，但由于技术的成本和少数供应商的成本，仍存在一些差距，这限制了其在自行车配件中的实施。此外，这些因素限制了对影响踏板技术的生物力学因素的理解。在自行车拟合过程中，尚不清楚将力向踏板的传播是否有效（Bini，Hume和Croft，2011年； Menard，
光学离散偏振与连续正交变量之间的混合纠缠
量子纠缠是实现光量子信息处理 (QIP) 不可或缺的资源 [1-7]。传统上，通过利用符合波粒二象性的光的两个不相容方面之一来实现纠缠，两类方法同时发展起来。因此，这些发展导致了信息编码的两个不同方向，即使用有限维的离散变量 (DV) 状态（如光子数、时间箱和光偏振）[1-4] 或无限维希尔伯特空间的连续变量 (CV) 状态（如场正交分量）[5-7]。在实践中，这两种编码都展示了各自的优势，但也暴露了各自的弱点。由于不太担心光子丢失，涉及单光子的 DV 协议通常享有几乎单位保真度，但依赖于概率实现和高效的单光子探测器。相比之下，CV 替代方案使用电磁场的正交分量，具有明确的状态鉴别、无条件操作和完美的同差检测效率，但由于与真空耦合，存在光子损失和固有的低状态保真度。最近，人们做出了显著的努力 [8-22]，利用这两种方法的优点来克服固有的个体局限性。在统一的混合架构中集成 DV 和 CV 技术方面取得的进展表明，我们能够分配和互连光学 DV 和 CV 量子态（或量子比特）。我们可以设想一个异构量子网络，要求在两种编码之间进行匹配的信息传输。因此，这些混合技术为实现可扩展的 QIP 和量子通信提供了新的思路。虽然将 DV 工具箱与 CV 框架相结合的努力早在二十年前就已开始用于生成非高斯状态，但它
评估深湿对流模拟中能量变量的守恒
摘要：在粒子理论计算、数值模型和积云参数化中，通常假设湿静能 (MSE) 绝热守恒。然而，由于假设了流体静力平衡，MSE 的绝热守恒只是近似的。这里评估了两个替代变量：MSE 2 IB 和 MSE 1 KE，其中 IB 是浮力 (B) 的路径积分，KE 是动能。这两个变量都放宽了流体静力假设，并且比 MSE 更精确地守恒。本文量化了在无序和有序深对流的大涡模拟 (LES) 中假设上述变量守恒而导致的误差。结果表明，MSE 2 IB 和 MSE 1 KE 都比单独的 MSE 更好地预测沿轨迹的量。 MSE 2 IB 在孤立深对流中守恒较好，而 MSE 2 IB 和 MSE 1 KE 在飑线模拟中表现相当。这些结果可以通过飑线和孤立对流的压力扰动行为之间的差异来解释。当假设 MSE 2 IB 绝热守恒时，上升气流 B 诊断中的误差普遍最小化，但只有当考虑热容量的湿度依赖性和潜热的温度依赖性时才会如此。当使用不太准确的潜热和热容量公式时，由于补偿误差，MSE 2 IB 产生的 B 预测比 MSE 更差。我们的结果表明，各种应用都将受益于使用 MSE 2 IB 或 MSE 1 KE 代替具有适当公式化的热容量和潜热的 MSE。
用于学习基于能量的隐变量模型的双层分数匹配
分数匹配 (SM) [ 24 ] 通过避免计算配分函数，为学习基于能量的模型 (EBM) 提供了一种引人注目的方法。然而，除了一些特殊情况外，学习基于能量的潜变量模型 (EBLVM) 仍然有很大空间。本文提出了一种双层分数匹配 (BiSM) 方法，通过将 SM 重新表述为双层优化问题来学习具有一般结构的 EBLVM。较高级别引入潜变量的变分后验并优化修改的 SM 目标，较低级别优化变分后验以拟合真实后验。为了有效地解决 BiSM，我们开发了一种带有梯度展开的随机优化算法。从理论上讲，我们分析了 BiSM 的一致性和随机算法的收敛性。从实证上，我们展示了 BiSM 在高斯限制玻尔兹曼机和由深度卷积神经网络参数化的高度非结构化 EBLVM 中的前景。当适用时，BiSM 与广泛采用的对比散度和 SM 方法相当；并且可以学习具有难以处理的后验的复杂 EBLVM 来生成自然图像。
最小值使用具有一维潜在变量的浅生成模型
在我们看来，可以根据其数据生成过程将普遍使用的深层生成模式分为两种方法。第一种方法涉及为函数g：r d 0→r d构建估计值ˆ g，通常称为发电机。然后，从已知的D 0尺寸分布（例如标准正常或均匀）中绘制样品z，ˆ g（z）被视为估计分布中的样品。因此，ˆ g（z）的分布（或deNSISTIS）是P 0（或p 0）的间接估计器。变化自动编码器（VAE）（Kingma和Welling，2014; Rezende等，2014），正常化流量（NF）（Dinh等，2015; Rezende and Mohamed，2015）和生成的对抗性网络（GAN）（GAN-LOW-LOW-LOW。 Al。，2017年）是重要的例子。
将环境DNA与遥感变量相结合，以绘制沿着大河的鱼类分布
河流生态系统中的生物多样性丧失速度要比限制系统更快，更严重，并且需要空间保护和恢复计划来停止这种侵蚀。关于生物多样性和物种分布的状态和变化的可靠且高度解决的数据对于有效措施至关重要。的高分辨率图仍然有限。与全球卫星传感器的耦合数据具有广泛的环境DNA（EDNA）和机器学习可以实现河流生物分布的快速而精确的映射。在这里，我们研究了使用沿瑞士和法国Rhone River的110个地点的埃德纳数据集组合这些方法的潜力。使用Sentinel 2和Landsat 8图像，我们产生了一组生态变量，描述了河走廊周围的水生栖息地和陆地栖息地。我们将这些变量与基于EDNA的存在和29种鱼类的不存在数据相结合，并使用了三种机器学习模型来评估这些物种的环境适用性。大多数模型表现出良好的性能，表明从遥感中得出的生态变量可以近似鱼类分布的生态决定因素，但是水衍生的变量比河流周围的陆地变量具有更强的关联。物种范围的映射表明该物种沿着瑞士的物种占用物的显着转移，从其瑞士阿尔卑斯山的来源到法国南部的地中海出口。我们的研究消除了将遥感和EDNA结合到大河中物种分布的可行性。该方法可以扩展到任何大河以支持保护方案。