XiaoMi-AI文件搜索系统
World File Search System合奏
电影推荐系统的合奏机器学习模型
摘要本文致力于评估电影推荐系统中集合机器学习模型的有效性。它探讨了各种集合方法，包括随机森林，adaboost，XGBoost，LightGBM，Catboost和梯度提升机，以增强预测用户偏好的准确性。该研究基于Movielens 100K数据集，该数据集包含1,682部电影中943位用户的100,000个评级。功能工程，数据归一化方法和迭代功能选择的应用提高了模型准确预测用户兴趣的能力。分析表明，XGBoost模型的最佳结果为0.902，与所考虑的其他模型相比，预测准确性更高。LightGBM和Catboost还显示了竞争结果，RMSE值分别为0.910和0.919。这项研究强调了综合方法在开发适应用户各种偏好和环境的建议系统中的重要性，并在该领域开辟了广泛的观点，以进一步研究。
lst-ai：精确的MS病变分割的深度学习合奏
。cc-by-nc 4.0国际许可证可永久提供。是作者/资助者，他已授予Medrxiv的许可证，以显示预印本（未通过同行评审证明）预印版本的版权所有者此版本发布于2024年3月11日。 https://doi.org/10.1101/2023.11.23.23298966 doi：medrxiv preprint
通过二进制残留神经网络合奏有效的布局热点检测
摘要 - 在物理验证流中，layout热点检测非常重要。深度神经网络模型已应用于热点检测并取得了巨大的成功。布局可以视为二进制图像。因此，二进制的neu-lal网络（BNN）可以适合热点检测问题。在本文中，我们提出了一个基于BNN的新深度学习档案，以加快热点检测中的神经网络。一个新的二进制残留神经网络经过精心设计用于热点检测。ICCAD 2012和2019基准的实验结果表明，我们的体系结构在检测准确性方面优于先前的热点探测器，并且比最佳基于深度学习的解决方案具有8倍的速度。由于基于BNN的模型在计算上是相当有效的，因此可以通过采用集合学习方法来实现良好的权衡。实验结果表明，集成模型比原始速度损失具有更好的热点检测性能。
过滤器和包装器堆叠合奏（FWSE）-Dr -ntu
Sugam Budhraja是新西兰奥克兰理工大学的博士生。他的背景是机器学习和软件开发。他的研究领域包括神经信息学，深度学习，自学学习和回声状态网络。Maryam Doborjeh获得了新西兰奥克兰理工大学的计算机科学博士学位。她目前是新西兰奥克兰技术大学工程，计算机和数学科学学院的高级讲师。她的研究领域是神经信息学，尖峰神经网络，机器学习和大脑数据分析。巴尔卡兰·辛格（Balkaran Singh）是新西兰奥克兰理工大学的博士生。他的背景是计算机科学和应用统计。他的研究领域是在神经网络，持续学习，元学习和尖峰神经网络中的优化。塞缪尔·谭（Samuel Tan）是新加坡南南技术大学的博士生。他的背景是生物科学和统计。他的研究领域包括生物信息学，网络理论和邻里优化。Zohreh Doborjeh获得了博士学位。来自新西兰奥克兰技术大学的计算认知神经科学博士学位。她目前是新西兰奥克兰大学大脑研究中心的博士后研究员，也是新西兰威卡托大学心理学学院的讲师。她的研究领域是神经信息学，神经心理学，认知神经科学和人工智能。收到：2023年2月9日。埃德蒙德·莱（Edmund Lai）获得了西澳大利亚大学的电气工程博士学位。他目前是新西兰奥克兰技术大学工程，计算机和数学科学学院的信息工程学教授。他的研究兴趣是数字信号处理，计算智能，多代理动力系统和优化。亚历山大·梅尔金（Alexander Merkin）在俄罗斯的社会和法医精神病学研究中心获得了精神病学博士学位。他目前是AUT大学中风与应用神经科学研究所的研究员，也是Aut University心理治疗与咨询系讲师。他的研究兴趣包括数字心理健康，人工智能，心理学，精神病学和认知神经科学。吉米·李（Jimmy Lee）获得了新加坡国立大学的基本医学学位。他是新加坡心理健康研究所的精神科医生和临床医生，也是南约技术大学Lee Kong Chian医学院的副教授。他的研究领域是精神病学，心理药理学，精神分裂症和基于AI的健康技术。Wilson Goh获得了英国伦敦帝国学院的生物信息学和计算系统生物学博士学位。他目前是新加坡南南技术大学Lee Kong Chian医学院生物医学信息学助理教授。 他的研究领域是复杂的系统，生物信息学，计算生物学，蛋白质组学和基因组学。他目前是新加坡南南技术大学Lee Kong Chian医学院生物医学信息学助理教授。他的研究领域是复杂的系统，生物信息学，计算生物学，蛋白质组学和基因组学。尼古拉·卡萨博夫（Nikola Kasabov）获得了保加利亚索非亚技术大学的博士学位。他是新西兰奥克兰技术大学工程，计算和数学科学学院的Kedri的创始董事和知识工程教授。他在英国Ulster University，IICT保加利亚科学院和中国达利安大学担任教授职位。他的研究领域是计算智能，神经信息学，知识发现和尖峰神经网络，以及700多个出版物。修订：2023年9月18日。接受：2023年10月3日©作者2023。牛津大学出版社出版。这是根据Creative Commons归因非商业许可（https://creativecommons.org/licenses/by-nc/4.0/）发行的开放访问文章，该媒介在任何媒介中允许非商业重复使用，分发和复制，前提是原始工作被正确引用。有关商业重复使用，请联系journals.permissions@oup.com
Köppen– Geiger气候分类，基于高分辨率气候预测的合奏
摘要。我们最近确定了石墨烯中受保护的拓扑半学，该拓扑半学表现为零能量边缘模式鲁棒和相互作用。在这里，我们解决了该半学的特征，并表明，与最低能带相关的霍尔电导率的Z拓扑不变，可以从谐振响应到在DIRAC点上分析的圆形极化光等效。中间能带（包括费米表面）的（非量化的）电导率响应也会引起z 2不变。我们强调散装的对应关系，作为受保护的拓扑半金属，即一个在平面中极化的自旋构型在与稳健边缘模式相关的绝缘阶段，而另一个则处于金属状态。边缘的量化运输等效于1 2 - 1
旋转式Gottesman-Kitaev-Preskill代码原子合奏中的量子误差校正
Los Alamos国家实验室是一项平权行动/均等机会雇主，由Triad National Security，LLC经营，为美国能源部国家核安全管理局根据合同89233218CNA000001运营。通过批准本文，出版商认识到，美国政府保留了不判有限定的免版税许可，以出版或复制已发表的此捐款形式，或者允许其他人出于美国政府的目的。洛斯阿拉莫斯国家实验室要求出版商根据美国能源部主持的工作确定这篇文章。Los Alamos国家实验室强烈支持学术自由和研究人员发表权；但是，作为一个机构，实验室并未认可出版物的观点或保证其技术正确性。
在第三极>的水文年度的公里尺度模拟的第一个合奏
摘要对第三极的当前和未来水周期的准确理解至关重要，因为该地区作为下游人口稠密地区的水塔起着作用。在复杂地形区域进行熟练气候评估的一种新兴而有希望的方法是公里尺度的气候建模。作为迈向第三极上此类模拟的基本步骤，我们提出了2019年10月至2020年9月的水文年度的千里规模区域模拟的多模型和多物理合奏。该合奏由由10个研究小组的国际联盟进行的13个模拟组成，配置了覆盖所有第三极区域的水平网格间距，范围为2.2至4 km。这些模拟是由ERA5驱动的，并且是协调的区域气候缩减实验旗舰试验研究的一部分。将模拟与可用的网格和原位观测和遥感数据进行了比较，以评估模型集成的性能和传播，与寒冷和温暖的季节的驾驶重新分析相比。尽管在该区域的网格降水数据集之间的巨大差异使整体评估受到阻碍，但我们表明，与ERE5相比，许多温暖的季节降水指标改善了合奏，包括大多数湿日和小时统计数据，并且在两个季节的湿法范围内都增加了价值。因此，合奏将为对该遥远但重要区域的氢化气候的过程的未来改进提供宝贵的资源。
使用基于合奏的机器学习方法增强电影推荐
摘要 - 传统的推荐系统遭受概念漂移的困扰 - 一种假定用户偏好随着时间而言是静态的现象。为了解决此问题，需要使用推荐算法来考虑用户偏好的时间敏感变化并提供相关建议。这项研究工作提出了一个基于合奏的混合推荐系统，该系统结合了用户兴趣的时间变化。提出的系统结合了不同的算法，例如受欢迎程度，聚类，协作矩阵分解和奇异价值分解（SVD）。然后，使用人工神经网络（ANN）将从这些单个模型获得的电影建议合并并分类。用户对提出的建议的反馈，这有助于计算每批建议的相关因素。最后，向用户提供了相关的电影建议。在相关因素较低的情况下，建议将重新分类。提议的系统的目的是根据用户的时间敏感偏好为用户提供各种建议。提出的研究的新颖性是整合了普遍的建议策略以及用户反馈机制在提出的建议中的结合。所提出的系统是在标准电影数据集Movielens-25m上实现的，并使用RMSE和MAE等统计性能指标进行评估。这项工作说明了建议质量的提高以及对改变用户偏好的适应性。实验表明，将人工神经网络作为集合混合建议模型的分类器的整合在提供0.56和0.43作为RMSE和MAE值的相关建议方面表明了有希望的结果。
北极苔原积雪特性的多物理合奏建模
摘要。复杂的积雪模型，例如Croscus和Snekpack，难以正确模拟北极积雪中的密度和特定表面积（SSA）的预测，这是由于风诱导的压实压实的低估，碱性植被的流动性融合量和水分流动量不足而陈述。To improve the simulation of profiles of density and SSA, parameterisations of snow physical pro- cesses that consider the effect of high wind speeds, the pres- ence of basal vegetation, and alternate thermal conductivity formulations were implemented into an ensemble version of the Soil, Vegetation, and Snow version 2 (SVS2-Crocus) land surface model, creating Arctic SVS2-Crocus.默认和北极SVS2-Crocus的合奏版本是由原位气象数据驱动的，并使用了Snowpack特性（Snow Water Eorsevent，Swe； Depth; Depth; Depth;密度；密度；密度；密度； SSA）在越野谷溪（TVC），Northwest Terrories，加拿大，加拿大，超过32岁，1991年至202年。结果表明，默认和北极SVS2-Crocus都可以模拟SWE的正确幅度（root-Mean-Square误差，RMSE，RMSE，对于两个合奏 - 55 kg m-2）和降雪深度（默认的RMSE - 0.22 M;北极RMSE - 0.18 m）在TVC上与测量值相比。在北极SVS2-Crocus内有效地压实了积雪的表面层，增加了密度，并将RMSE降低了41％（176 kg m-3至103 kg m-3）。
潜入公平池：算法公平，合奏预测和人群的智慧
算法在我们的私人和公共生活中扮演着许多重要角色。他们产生搜索引擎结果，在社交媒体上组织新闻源，并确定有希望的浪漫伴侣。他们为司法，贷款，社会福利和大学录取决定提供了信息。他们还提出了紧迫和烦恼的道德挑战。例如，美国刑事司法系统中使用的一些算法预测个人是否会累进。著名的是，已经发现这种算法表现出明显的种族和性别偏见，例如将黑人非累犯者评级为比白人非养育者更喜欢重新审判（Angwin等人（Angwin等），2016a，b）。在某种程度上对这种发现的反应中，算法公平的研究在计算机科学，哲学和其他领域中扮演着重要的作用。从这些研究中得出的理论上有趣且在道德上显着发现的是，实施明智的公平概念可以兑现，以付出代价（Corbett-Davies et al。，2017年； Menon和Williamson，2018年； Kearns and Roth，2019年）。