XiaoMi-AI文件搜索系统
World File Search System可识别性
关于对比学习的有限样本可识别性——......
▶ 我们遵循 [Hyvarinen et al., 2019] 中的设置。 ▶ si 是高斯变量和拉普拉斯变量的乘积。 ▶ u 对应不同的时间框架。 ▶ g ( · ) 是具有泄漏 ReLU 的神经网络。 ▶ h ( · ) , ϕ i ( · ) 采用具有 R 个神经元的 3 隐藏层网络建模。 ▶ 度量：si 和 hj ( x ) 之间的互信息。
朝着比较深层生成模型的可识别性
基于目标的投资（GBI）构成了投资的方法，专注于帮助投资者通过投资组合管理[1]实现其明确定义的短期财务目标。为了表明，长期投资者可能希望在退休时达到目标财富水平。可以简单地将结果目标表示为二进制函数，以指示是否已实现了投资目标。在这种范式下，风险定义为未达到所需目标的概率。这与经典的投资组合优化方法形成鲜明对比，通常基于均值优化[2]，其中风险以价格波动为代表，上行价格和下行价格移动等效地处理。鉴于GBI需要动态响应时变特征（例如当前的财富水平和剩余时间），因此可以将其框起来，作为在不在的情况下进行连续决策的问题。因此，可以通过深度加强学习（DRL）技术自然解决。为了确保在现实世界中的高性能下，GBI框架还应考虑另一个动态：金融市场的非平稳性[3]，包括突然的政权转换。不明确，在经典投资组合优化中，Legime-
开发可检测性、可识别性和可追踪性...
目录 致谢................................................................................................................................ 5
功能连通性的可识别性可能会无意中膨胀预测结果
功能磁共振（fMRI）是研究体内认知过程的宝贵工具。许多最近的研究使用功能连通性（FC），部分相关连接（PC）或FMRI-DERMIDERS BRAIN网络来预测表型，结果有时无法复制。同时，可以使用FC准确地从不同的扫描中识别相同的主题。在本文中，我们展示了一种方法，通过治疗与独立数据点的纵向或同时扫描，可以在不知不觉中将分类从61％的精度膨胀至86％的精度。使用英国生物银行数据集，我们发现可以通过利用与10,000名无需双浸的培训对象的可识别性来实现50个培训主题的相同差异。我们在四个不同的数据集中复制了这种效果：英国生物库（UKB），费城神经发育群体（PNC），中间表型（BSNIP）的双极和精神分裂症网络以及开放式纤维纤维肌毛肌痛数据集（Fibro）。在四个数据集中，无意的改善范围在7％至25％之间。另外，我们发现，通过使用动态功能连接性（DFC），即使一个受试者仅限于单个扫描，也可以应用此方法。一个主要的问题是，与ROIS或连接性的功能以及膨胀的结果报告可能会使未来的工作感到困惑。本文希望阐明即使是小管道异常也可能导致出乎意料的出色结果。
Andrew H. Bahle
多孔电极理论（PET）通过描述固体颗粒和电解质中的电化学动力学和传输来广泛用于对电池动力学进行建模。标准PET模型依赖于活性材料热力学的黑盒描述，通常是通过拟合开路电位而获得的，该电路不允许对相分开材料进行一致的描述。多相PET（MPET），以使用热力学的白色或灰色盒描述来描述电池，并具有需要从实验数据中估算的其他参数。这项工作分析了MPET模型中参数的可识别性，包括标准动力学和扩散参数，以及用于主动材料自由能的MPET特异性参数。基于合成排放数据，对商用磷酸锂/石墨电池的MPET模型进行了线性化和非线性可识别性分析，该模型识别哪些模型参数是无法识别的，并且仅在不确定性的情况下才能识别哪些参数。可识别的参数控制阶段的分离，反应动力学和电解质传输，但不是固体扩散，与以低速率和高速速率的电解质扩散速率限制一致。本文还提出了减少参数可识别性问题的方法。
![arxiv：2502.02710v1 [stat.ml] 2025年2月4日](/simg/g:\will\search\icon\source\6\6f28a11cf1cd61d8abfc07e0c32f7934a963fcd7.webp)
arxiv：2502.02710v1 [stat.ml] 2025年2月4日
在安全性应用程序中，机器学习模型应在最坏情况下的分配变化下概括，也就是说，具有较小的强大风险。基于不变性的算法可以证明，当训练分布足够异质以识别强大风险时，可以利用对轮班的结构假设。但是，在实践中，这种可识别性条件很少满足 - 到目前为止，这种情况在理论文献中尚未得到充实。在本文中，我们旨在填补空白，并建议在仅部分可识别鲁棒的风险时研究更通用的环境。尤其是我们引入了最坏的稳健风险，作为一种鲁棒性的新度量，无论可识别性如何，它总是定义明确的。其最小值对应于算法独立的（种群）最小值的数量，该数量可在部分可识别性下测量最佳可实现的鲁棒性。虽然可以更广泛地定义这些概念，但在本文中，我们将其介绍并明确地得出了线性模型以实现介绍的具体性。首先，我们表明在部分可识别的情况下，现有的鲁棒性方法是次优的。然后，我们评估了这些方法和（经验性的）最差案例鲁棒风险在现实世界基因表达数据上的鲁棒风险，并找到类似的趋势：随着未看见环境的数据的增加，现有鲁棒性方法的测试误差越来越高，而对部分识别性的识别则可以更好地普遍性化。
二元响应隶属度分析的可识别等级谱方法
隶属等级 (GoM) 模型是用于多变量分类数据的流行个体级混合模型。GoM 允许每个主体在多个极端潜在概况中拥有混合成员身份。因此，与限制每个主体属于单个概况的潜在类别模型相比，GoM 模型具有更丰富的建模能力。GoM 的灵活性是以更具挑战性的可识别性和估计问题为代价的。在这项工作中，我们提出了一种基于奇异值分解 (SVD) 的谱方法来进行具有多元二元响应的 GoM 分析。我们的方法取决于以下观察：在 GoM 模型下，数据矩阵的期望具有低秩分解。对于可识别性，我们为期望可识别性概念开发了充分和几乎必要的条件。对于估计，我们仅提取观测数据矩阵的几个前导奇异向量，并利用这些向量的单纯形几何来估计混合成员分数和其他参数。我们还在双渐近状态下建立了估计量的一致性，其中受试者数量和项目数量都增长到无穷大。我们的谱方法比贝叶斯或基于可能性的方法具有巨大的计算优势，并且可以扩展到大规模和高维数据。广泛的模拟研究表明我们的方法具有卓越的效率和准确性。我们还通过将我们的方法应用于人格测试数据集来说明我们的方法。
Mamba：有效的世界模型
[1] Dorfman等。离线元RL - 可识别性挑战和有效的数据收集策略，2021 [2] Yu等。元世界：多任务和元加强学习的基准和评估，2019 [3] Rakelly等。通过概率上下文变量有效的非政策元提升学习，2019