XiaoMi-AI文件搜索系统
World File Search System回归
使用机器传热数据数据回归的框架
机器学习（ML）算法正在各个行业中出现，作为传统数据回归方法的强大补充/替代方案。主要原因是，与确定性模型不同，即使没有详细的现象学知识，它们也可以使用。毫不奇怪，在传热应用中也探索了ML算法的使用。在处理复杂几何形状和潜在现象的系统中特别感兴趣（例如流体相变，多相流量，大量结垢堆积）。然而，传热系统提出了需要解决的特定挑战，例如高质量数据的稀缺性，已发表的数据源之间的不一致，输入的复杂（且经常相关）的影响，培训和测试集之间的数据拆分以及有限的划线能力，无法进行统一条件。试图克服这些挑战中的一些，更重要的是，为了提供系统的方法，本文回顾并分析了ML算法在传热应用中的应用中的过去努力，并提出了将其部署的回归框架以估算关键数量（例如传热系数），用于改进热交换器的设计和操作。该框架由六个步骤组成：i）数据预处理，ii）特征选择，iii）数据分裂理念，iv）训练和测试，v）调整超参数，而VI）具有特定指标的性能评估，以支持准确且可靠的模型的选择。相关案例研究涉及缩合传热系数在微囊管中的估计来说明所提出的框架。根据其估计和外推能力对两种数据驱动算法，深神经网络和随机森林进行了测试和比较。结果表明，与过去研究中提出的众所周知的半经验相关性相比，ML算法在预测传热系数方面通常更准确，其中最合适的ML模型的平均绝对误差为535 [𝑊𝑚2𝐾-1]，与使用1061 [𝑊𝑚22-−1]的误差相比，与使用误差相比。在外推方面，所选的ML模型的平均绝对误差为1819 [𝑊𝑚2𝐾-1]，而相关性为1111 [𝑊𝑚2𝐾-1]，表明使用半经验模型的劣势，尽管对比较并不完全适合，但鉴于相关性不适合使用。此外，功能选择还启用了仅取决于可能与目标变量最重要的功能的更简单的模型。需要特别注意，因为部署这些模型时会遇到的过度拟合和有限的外推能力是常见的困难。
基于自主地面车辆的基于增强学习的运动计划深度回归的不确定性定量指标
在机器人或其他物理系统上部署深层神经网络时，学到的模型应可靠地量化预测性不确定性。可靠的不确定性允许下游模块推理其行动的安全性。在这项工作中，我们解决了不确定性量化的指标。具体来说，我们专注于回归任务，并研究稀疏误差（AUSE），校准误差（CE），Spearman的等级相关性和负模样（NLL）下的区域。使用多个数据集，我们研究了这些指标在四种典型类型的不确定性下的行为，它们在测试集的大小上的稳定性以及揭示其优势和缺点。我们的结果表明，校准误差是最稳定，最容易解释的度量，但是Ause和NLL也具有各自的用例。我们不建议您评估不确定性的Spearman等级相关性，并建议用Ause代替它。
使用自回归语言模型设计现实的监管DNA
顺式调节元件（CRE），例如启动子和增强子，是调节基因表达的DNA序列。CRE的活性受到序列基序的顺序，组成和间距的影响，这些序列基序被称为转录因子（TFS）结合的序列基序。合成CRE具有特定特性。在这里，我们提出了Reglm，这是一个设计具有所需属性的合成CRE的框架，例如高，低或细胞类型 - 特定活动，并使用自回归语言模型与有监督的序列到功能模型结合。我们使用框架设计合成酵母启动子和细胞类型 - 特定的人类增强剂。我们证明，我们方法产生的合成CRE不仅被预测具有所需的功能，而且还包含类似于实验验证的CRE的生物学特征。reglm因此促进了现实的调节DNA元素的设计，同时提供了对顺式调节代码的见解。
PNPLA3中的rs738409多态性与西孟加拉邦孟加拉民族人口中非酒精性脂肪肝病的发育和严重程度的关联 由于自然灾害引起的正常盐水供应链的破坏： 从理论模型到实际部署 预测痴呆症和帕金森氏病相关的皮质下区域中的脑铁沉积：英国生物库中的遗传和观察分析 适用于心电图图像的人工智能，用于可扩展的甲状腺素蛋白淀粉样蛋白心肌病 OMKAR：基于光学图的基因组的自动核分型，以鉴定宪法异常 给予年轻婴儿的益生菌和合成生药品 parvovirus b19废水固体中的基因组DNA浓度与社区感染有关 cenobamate对认知的负面影响 基于多矩的寿命基因对大肠癌的免疫相关性的影响 输注的免疫疗法会影响头颈癌的存活：倾向评分与分析匹配 通过生成变压器学习人类疾病的自然史 基于WGCNA和LASSO回归的新型结肠腺癌中衰老相关LNCRNA的预后模型 负面情绪对青少年非杀虫剂的影响 对ELMOD3相关常染色体的确认见解... 对GWAS目录的系统评价
参考文献1。Lazo M，Clark JM。非酒精性脂肪肝病的流行病学：一种全球视角。Semin Liver Dis.2008; 28：339-50。2。Bajaj S，Nigam P，Luthra A等。一项关于胰岛素抵抗，代谢共同变化和预测评分的病例对照研究。印度J Med Res。2009; 129（3）：285-292。 3。 Mohan V，Farooq S，Deepa M，Ravikumar R，Pitchumoni CS。 与不同等级的葡萄糖不耐症和代谢综合征有关的南印第安人非酒精脂肪肝病患病率。 糖尿病临床实践。 2009; 84（1）：84-91。doi：10.1016/j.diabres.2008.11.039 4。 Romeo S，Kozlitina J，Xing C等。 PNPLA3中的遗传变异赋予对非酒精性脂肪肝病的敏感性。 nat Genet。 2008; 40（12）：1461-1465。 doi：10.1038/ng.257 5。 Severson TJ，Bostur S，Bonkovsky HL。 影响非酒精性脂肪肝病的遗传因素：系统的临床综述。 世界J胃烯醇。 2016; 22（29）：6742-6756。doi：10.3748/wjg.v22.i29.6742 6。 Kozlitina J，Smagris E，Stender S等。 外显域的关联研究确定了一种TM6SF2变体，该变体赋予了对非酒精性脂肪肝病的易感性。 nat Genet。 2014; 46（4）：352-356。 doi：10.1038/ng.2901 7。 Oliveira Ain，Malta FM，Zitelli PMY，Salles APM，Gomes-Gouvea MS，Nastri ACS，Pinho JRR，Carrilho JRR，Carrilho FJ，Oliveira CP，Mendes-CorrêaMC，Pessoa MC，Pessoa MG，Mazo DF。 PMID：33622266; PMCID：PMC7901065。 8。2009; 129（3）：285-292。3。Mohan V，Farooq S，Deepa M，Ravikumar R，Pitchumoni CS。与不同等级的葡萄糖不耐症和代谢综合征有关的南印第安人非酒精脂肪肝病患病率。糖尿病临床实践。2009; 84（1）：84-91。doi：10.1016/j.diabres.2008.11.039 4。Romeo S，Kozlitina J，Xing C等。PNPLA3中的遗传变异赋予对非酒精性脂肪肝病的敏感性。nat Genet。2008; 40（12）：1461-1465。 doi：10.1038/ng.257 5。 Severson TJ，Bostur S，Bonkovsky HL。 影响非酒精性脂肪肝病的遗传因素：系统的临床综述。 世界J胃烯醇。 2016; 22（29）：6742-6756。doi：10.3748/wjg.v22.i29.6742 6。 Kozlitina J，Smagris E，Stender S等。 外显域的关联研究确定了一种TM6SF2变体，该变体赋予了对非酒精性脂肪肝病的易感性。 nat Genet。 2014; 46（4）：352-356。 doi：10.1038/ng.2901 7。 Oliveira Ain，Malta FM，Zitelli PMY，Salles APM，Gomes-Gouvea MS，Nastri ACS，Pinho JRR，Carrilho JRR，Carrilho FJ，Oliveira CP，Mendes-CorrêaMC，Pessoa MC，Pessoa MG，Mazo DF。 PMID：33622266; PMCID：PMC7901065。 8。2008; 40（12）：1461-1465。 doi：10.1038/ng.257 5。Severson TJ，Bostur S，Bonkovsky HL。影响非酒精性脂肪肝病的遗传因素：系统的临床综述。世界J胃烯醇。2016; 22（29）：6742-6756。doi：10.3748/wjg.v22.i29.6742 6。Kozlitina J，Smagris E，Stender S等。外显域的关联研究确定了一种TM6SF2变体，该变体赋予了对非酒精性脂肪肝病的易感性。nat Genet。2014; 46（4）：352-356。 doi：10.1038/ng.2901 7。 Oliveira Ain，Malta FM，Zitelli PMY，Salles APM，Gomes-Gouvea MS，Nastri ACS，Pinho JRR，Carrilho JRR，Carrilho FJ，Oliveira CP，Mendes-CorrêaMC，Pessoa MC，Pessoa MG，Mazo DF。 PMID：33622266; PMCID：PMC7901065。 8。2014; 46（4）：352-356。 doi：10.1038/ng.2901 7。Oliveira Ain，Malta FM，Zitelli PMY，Salles APM，Gomes-Gouvea MS，Nastri ACS，Pinho JRR，Carrilho JRR，Carrilho FJ，Oliveira CP，Mendes-CorrêaMC，Pessoa MC，Pessoa MG，Mazo DF。PMID：33622266; PMCID：PMC7901065。8。PNPLA3和TM6SF2多态性在巴西慢性丙型肝炎患者中对肝纤维化和代谢异常的作用C. BMC胃肠道。2021 Feb 23; 21（1）：81。 doi：10.1186/s12876-021-01654-3。SOOD V，Khanna R，Rawat D，Sharma S，Alam S，Sarin SK。研究小儿非酒精脂肪肝疾病中家庭聚类和PNPLA3基因多态性的研究。印度小儿科。2018年7月15日； 55（7）：561-567。 pmid：30129536。 9。 Bhatt SP，Nigam P，Misra A，Guleria R，Pandey RM，Pasha MA。 含有非酒精性脂肪肝病的亚洲印第安人中含patatin样磷脂酶结构域蛋白3（PNPLA-3）基因的遗传变异。 Metab Syndr Relat疾病。 2013年10月; 11（5）：329-35。 doi：10.1089/met.2012.0064。 EPUB 2013 JUN 4。 PMID：23734760。 10。 Koehler EM，Plompen EP，Schouten JN等。 糖尿病的存在和脂肪变性与一般人群中的肝脏僵硬有关：鹿特丹研究。 肝病学。 2016; 63（1）：138-147。 doi：10.1002/hep.27981 11。 张L，You W，Zhang H，Peng R，Yao A，Li X等。 PNPLA3多态性（RS738409）和非酒精性脂肪肝病风险和相关表型：荟萃分析。 J胃肠肝素。 2015; doi：10.1111/jgh.12889 12。 Anstee QM，Day CP。 NAFLD的遗传学。 nat Rev Gastroenterol Hepatol。 2013; 10：645–655。 doi：10.1038/nrgastro.2013.182 PMID：24061205 13。 Shen JH，Li YL，Li D，Wang NN，Jing L，Huang YH。 J脂质res。2018年7月15日； 55（7）：561-567。pmid：30129536。9。Bhatt SP，Nigam P，Misra A，Guleria R，Pandey RM，Pasha MA。 含有非酒精性脂肪肝病的亚洲印第安人中含patatin样磷脂酶结构域蛋白3（PNPLA-3）基因的遗传变异。 Metab Syndr Relat疾病。 2013年10月; 11（5）：329-35。 doi：10.1089/met.2012.0064。 EPUB 2013 JUN 4。 PMID：23734760。 10。 Koehler EM，Plompen EP，Schouten JN等。 糖尿病的存在和脂肪变性与一般人群中的肝脏僵硬有关：鹿特丹研究。 肝病学。 2016; 63（1）：138-147。 doi：10.1002/hep.27981 11。 张L，You W，Zhang H，Peng R，Yao A，Li X等。 PNPLA3多态性（RS738409）和非酒精性脂肪肝病风险和相关表型：荟萃分析。 J胃肠肝素。 2015; doi：10.1111/jgh.12889 12。 Anstee QM，Day CP。 NAFLD的遗传学。 nat Rev Gastroenterol Hepatol。 2013; 10：645–655。 doi：10.1038/nrgastro.2013.182 PMID：24061205 13。 Shen JH，Li YL，Li D，Wang NN，Jing L，Huang YH。 J脂质res。Bhatt SP，Nigam P，Misra A，Guleria R，Pandey RM，Pasha MA。含有非酒精性脂肪肝病的亚洲印第安人中含patatin样磷脂酶结构域蛋白3（PNPLA-3）基因的遗传变异。Metab Syndr Relat疾病。2013年10月; 11（5）：329-35。 doi：10.1089/met.2012.0064。EPUB 2013 JUN 4。 PMID：23734760。 10。 Koehler EM，Plompen EP，Schouten JN等。 糖尿病的存在和脂肪变性与一般人群中的肝脏僵硬有关：鹿特丹研究。 肝病学。 2016; 63（1）：138-147。 doi：10.1002/hep.27981 11。 张L，You W，Zhang H，Peng R，Yao A，Li X等。 PNPLA3多态性（RS738409）和非酒精性脂肪肝病风险和相关表型：荟萃分析。 J胃肠肝素。 2015; doi：10.1111/jgh.12889 12。 Anstee QM，Day CP。 NAFLD的遗传学。 nat Rev Gastroenterol Hepatol。 2013; 10：645–655。 doi：10.1038/nrgastro.2013.182 PMID：24061205 13。 Shen JH，Li YL，Li D，Wang NN，Jing L，Huang YH。 J脂质res。EPUB 2013 JUN 4。PMID：23734760。10。Koehler EM，Plompen EP，Schouten JN等。糖尿病的存在和脂肪变性与一般人群中的肝脏僵硬有关：鹿特丹研究。肝病学。2016; 63（1）：138-147。 doi：10.1002/hep.27981 11。 张L，You W，Zhang H，Peng R，Yao A，Li X等。 PNPLA3多态性（RS738409）和非酒精性脂肪肝病风险和相关表型：荟萃分析。 J胃肠肝素。 2015; doi：10.1111/jgh.12889 12。 Anstee QM，Day CP。 NAFLD的遗传学。 nat Rev Gastroenterol Hepatol。 2013; 10：645–655。 doi：10.1038/nrgastro.2013.182 PMID：24061205 13。 Shen JH，Li YL，Li D，Wang NN，Jing L，Huang YH。 J脂质res。2016; 63（1）：138-147。 doi：10.1002/hep.27981 11。张L，You W，Zhang H，Peng R，Yao A，Li X等。PNPLA3多态性（RS738409）和非酒精性脂肪肝病风险和相关表型：荟萃分析。J胃肠肝素。2015; doi：10.1111/jgh.12889 12。Anstee QM，Day CP。NAFLD的遗传学。nat Rev Gastroenterol Hepatol。2013; 10：645–655。doi：10.1038/nrgastro.2013.182 PMID：24061205 13。Shen JH，Li YL，Li D，Wang NN，Jing L，Huang YH。 J脂质res。Shen JH，Li YL，Li D，Wang NN，Jing L，Huang YH。J脂质res。PNPLA3基因和肝硬化的RS738409（I148M）变体：荟萃分析。2015; 56：167–175。doi：10.1194/jlr.m048777 pmid：25378656 14。Singal AG，Manjunath H，Yopp AC，Beg MS，Marrero JA，Gopal P等。PNPLA3对肝细胞癌纤维化进展和发育的影响：一种元分析。Am J胃肠道。2014; 109：325–334。doi：10.1038/ajg.2013.476 PMID：24445574 15。Shen J，Wong GL，Chan HL，Chan Hy，Yeung DK，Chan RS等。pNPLA3基因多态性在没有代谢的社区受试者中说明了脂肪肝
使用智能报告和回归模型的原始文章运动员绩效预测
1,2，教育科学和培训工程学多学科实验室（LMSEIF）。运动科学评估和体育锻炼教学。摩洛哥哈桑二世卡萨布兰卡大学的普通高中（ENS-C）。在线发布：2024年8月31日被接受出版：2024年8月15日doi：10.7752/jpes.2024.08214摘要：这项研究探讨了报道的数据和预测分析作为运动员培训计划的长期生成方法的使用。从607名高等教育学生那里收集的数据（平均年龄= 16.86； STD = 1.22），包括从物理测试和活动记录中进行的测量。数据集包含29个变量，这些变量是对培训程序的预测准确性的。我们利用Microsoft Azure机器学习来确定特征对结果的重要性，并利用Power BI可视化聚合特征对跑步距离的影响。初步发现表明，专注于训练工作的最佳年龄范围在16至17岁之间。该结果由Spearman相关系数为0.42支持，根据关键骨料特征规定了年龄组和预测的性能结果之间的中等正相关关系。特别是四个关键特征会显着影响性能，而其他变量的影响很小。该研究强调了这些总特征在预测训练成功方面的重要性。总而言之，该研究强调了强大的报告过程的重要性以及在制定培训计划中使用预测分析的重要性。它标识了四个关键特征，这些功能对实现的性能产生了重大影响。虽然这四个功能至关重要，但研究还承认，尽管有影响力较小，但其他变量仍然可能影响结果。这种全面的数据收集和分析方法为优化运动员培训计划提供了坚实的基础，以确保培训工作既有目标又有效。这些发现为旨在通过数据驱动的培训策略提高运动表现的教练和体育科学家提供了宝贵的见解。关键字：绩效优化，运动分析，数据驱动培训。简介
通过高斯过程回归中机器学习模型中的不确定性定量：比较研究
[1] Bui-Thanh，Tan等。“由PDE管辖的贝叶斯反问题的极端尺度UQ。”sc'12：高性能计算，网络，存储和分析国际会议论文集。IEEE，2012年。[2] Durrande，Nicolas，David Ginsbourger和Olivier Roustant。“用于高维高斯过程建模的添加剂协方差内核。”Annales de la cociences de Toulouse：Mathématiques。卷。21。编号3。2012。[3] Brown，D。W.等。在造成热处理期间，激光粉末床融合TI-6AL-4V的微观结构的演变。冶金和材料交易A 52（2021）：5165-5181
有条件的潜在自回归复发模型，用于生成和预测粒子加速器中的光束动力学
粒子加速器是复杂的系统，将重点，引导和加速的强烈带电的粒子梁转向高能。Beam Diagnostics提出了一个具有挑战性的问题，这是由于有限的非破坏性测量，计算要求的模拟以及系统中固有的不确定性。我们提出了一个两步无监督的深度学习框架，称为有条件的潜在自动回归复发模型（Clarm），用于学习加速器中带电粒子的时空动力学。clarm由有条件的变分自动编码器（CVAE）组成，将六维相位空间转换为较低维的潜在分布和长期短期内存（LSTM）网络，以自动化方式捕获临时动力学。克拉姆可以通过对潜在空间表示形式进行采样和解码来生成各种加速器模块的投影。该模型还预测了过去状态（上游位置）的带电粒子的未来状态（下游位置）。结果表明，在针对各种评估指标进行测试时，提出的方法的生成和预测能力有望。
将预训练的 ViT 与 TCNet 融合以实现增强型 EEG 回归
摘要。脑电图 (EEG) 分析任务对于脑机接口 (BCI) 的发展至关重要。然而，要达到开发稳健、有用的 BCI 的目标，很大程度上取决于 BCI 理解神经动态的速度和准确性。为了实现这一目标，本文详细介绍了预训练视觉变换器 (ViT) 与时间卷积网络 (TCNet) 的集成，以提高 EEG 回归的精度。这种方法的核心在于利用 ViT 的顺序数据处理优势以及 TCNet 的卓越特征提取能力，显着提高 EEG 分析的准确性。此外，我们分析了如何构建最佳补丁以供注意力机制分析的重要性，以平衡速度和准确性。我们的结果表明，回归准确度显著提高，EEGEyeNet 的绝对位置任务的均方根误差 (RMSE) 从 55.4 降至 51.8，优于现有的最先进模型。在不牺牲性能的情况下，我们将该模型的速度提高了一个数量级（最高可提高 4.32 倍）。这一突破不仅为 EEG 回归分析树立了新的标杆，还为未来将 Transformer 架构与针对不同 EEG 数据集的专门特征提取方法相结合的研究开辟了新途径。
使用惩罚最小二乘>的符号回归中的形状约束
摘要。我们研究了形状约束（SC）的添加及其在符号识别步骤（SR）的参数识别步骤中的考虑。sc是一种将有关未知模型函数形状的先验知识引入SR的手段。与以前在SR中探索过SC的工作不同，我们建议在使用基于梯度的NU-MERIMILICE优化的参数识别期间最大程度地减少SC违规行为。我们测试了三种算法变体，以评估其在识别合成生成数据集的三个符号表达式时的性能。本文研究了两种基准方案：一个具有不同噪声水平的基准，另一个具有不同的培训数据。结果表明，当数据稀缺时，将SC纳入表达搜索特别有益。与仅在选择过程中使用SC相比，我们在参数识别期间最小化违规行为的方法在我们的某些测试用例中显示出具有统计学意义的好处，在任何情况下都没有明显更糟。