XiaoMi-AI文件搜索系统
World File Search System回归
理解回归，并在长期内以高频收集的观察结果 *
在本文中，我们通过长时间的时间间隔收集的观测值分析回归。对于形式的渐近分析，我们假设样品是从连续的时间随机过程中获得的，并让采样间隔δ缩小至零，样品跨度t增加到无穷大。在此设置中，我们表明，只要δ→0相对于t→∞，标准的WALD统计量向无穷大和回归偏差就会变得虚假。这种现象确实是本文中考虑的回归类型在实践中经常观察到的现象。相比之下，我们的渐近理论预测，如果我们使用适当的长期差异估计的WALD测试的强大版本，则伪造性消失。使用长期对短期利率的长期回归我们的经验说明，这得到了强烈和明确的支持。
用于建模锂离子电池容量降解的量子神经网络回归
摘要 - 赋予高功率密度，低排放率和降低的成本，可充电锂离子电池（LIBS）发现了广泛的应用，例如电动机网级存储系统，电动汽车和移动设备。开发一个框架，以准确地建模LIB的非线性降解过程，这确实是一个有监督的学习问题，成为一个重要的研究主题。本文提出了一种经典的Quantum混合机学习方法，以捕获LIB降解模型，该模型评估了操作过程中的电池电池寿命损失。我们的工作是由量子计算机最近进步以及神经网络和量子电路之间的相似性所激发的。类似于调整常规神经网络中的权重参数，量子电路的参数（即Qubits的自由度）可以调整以以监督的学习方式学习非线性功能。作为概念文件证明，我们获得了由NASA提供的电池数据集获得的数值结果，这表明了量子神经网络在降级容量与操作周期之间非线性关系建模的能力。我们还讨论了量子方法的潜在优势与经典计算机中传统的神经网络相比，在处理大量数据时，尤其是在EV和储能未来渗透的背景下。关键字 - Quantum神经网络，锂离子电池，电池降解，电池寿命估算。
caril：自主驾驶的模仿学习中的信心回归
摘要 - 基于端到端视力的模仿学习已直接从专家演示中学习控制命令来证明自主驾驶的有希望的结果。然而，传统方法依赖于基于回归的模型，这些模型提供了精确的控制，但缺乏一致性估计或基于分类的模型，这些模型提供了置信度得分，但由于分离而降低了精度。此限制使量化预测行动的可靠性并在必要时应用更正是一项挑战。在这项工作中，我们引入了双头神经网络体系结构，该架构既集成回归和分类负责人，以提高模仿学习中的决策可靠性。回归负责人预测了连续的驾驶动作，而分类头则估计了置信度，从而实现了一种调整机制，该校正机制可以调整低信心情景中的动作，从而增强了驾驶稳定性。我们在Carla模拟器内的闭环环境中评估了我们的方法，证明了其检测不确定的动作，估计信心并应用实时校正的能力。实验结果表明，我们的方法可降低车道偏差，并提高了传统精度高达50％，表现优于常规回归模型。这些发现突出了分类指导置信度估计的潜力，以增强基于视觉的模仿学习对自主驾驶的鲁棒性。源代码可在https：// github上找到。com/elahedlv/profester_aware_il。
Levenshtein距离嵌入DNA存储的泊松回归
有效的计算或Levenshtein distance是一种用于评估序列相似性的普遍指标，随着DNA存储和其他生物学应用的出现，引起了显着的关注。序列嵌入将Levenshtein的距离映射到嵌入向量之间的调用距离，已成为一种有前途的解决方案。在本文中，提出了一种基于泊松再生的新型基于神经网络的序列嵌入技术。我们首先提供了对嵌入维度对模型性能的影响的理论分析，并提出了选择适当的嵌入性识别的标准。在此嵌入维度下，通过假设托管式分离后的固定长度序列之间的levenshtein距离来引入泊松式，这自然与左环特链距离的定义相一致。此外，从嵌入距离的分布的角度来看，泊松回归大约是卡方分布的负面对数可能性，并在消除偏度方面提供了进步。通过对实际DNA存储数据的全面实验，我们证明了与最新方法相比，采用方法的出色性能。
符号回归程序 AI-Feynman 在心理学中的应用
从自然科学到社会科学，发现数据中隐藏的规律是许多领域的核心挑战。然而，这项任务在历史上依赖于人类的直觉和经验，在许多领域，包括心理学。因此，使用人工智能 (AI) 发现规律有两个显著的优势。首先，它可以发现人类无法发现的规律。其次，它将有助于构建更准确的理论。一种名为 AI-Feynman 的人工智能在一个非常不同的领域发布，表现令人印象深刻。虽然 AI-Feynman 最初是为发现物理学规律而设计的，但它在心理学中也能很好地发挥作用。本研究旨在通过测试 AI-Feynman 是否可以发现双曲折现模型作为折现函数，来检验它是否可以成为跨期选择实验的一种新的数据分析方法。为了实现这些目标，进行了一项跨期选择实验，并将数据输入 AI-Feynman。结果，AI-Feynman 提出了七个折现函数候选。其中一个候选模型是双曲折现模型，目前认为该模型最为准确。三种均方根误差函数均优于双曲折现模型。此外，三种候选模型中有一种比标准双曲折现函数更“双曲”。这些结果表明了两点。一是 AI-Feynman 可以成为跨期选择实验的一种新数据分析方法。二是 AI-Feynman 可以发现人类无法发现的折现函数。
机器学习与回归脑损伤的预后：队列差异主导
2.2。模型规范预测的结果是6个月的死亡率和不利的结果（格拉斯哥成果量表<3或格拉斯哥成果量表 - 扩展<5）。模型中包含的预测因子是影响实验室模型的11个预测因子[25]。连续变量作为连续变量包括在模型中（无分类）。所包含变量及其规格的概述如表1所示。基线GCS得分定义为急诊室的最后一个GC（“稳定后”）。如果缺少此分数，则使用较早时刻的最接近的GC。总共包括11个预测因子，代表19个参数（或自由度[DF]）。在死亡率的情况下，我们的数据库中平均存在3491个事件（或每个参数的184个事件）。变量被标准化或单热编码，因为这是使用梯度下降优化的训练算法的标准实践。
基于变分量子电路的函数回归理论误差性能分析
噪声中型量子器件使得量子神经网络 (QNN) 的变分量子电路 (VQC) 得以实现。尽管基于 VQC 的 QNN 已在许多机器学习任务中取得成功，但 VQC 的表示和泛化能力仍需要进一步研究，尤其是在考虑经典输入的维数时。在这项工作中，我们首先提出了一种端到端 QNN，TTN-VQC，它由基于张量训练网络 (TTN) 的量子张量网络（用于降维）和用于函数回归的 VQC 组成。然后，我们针对 TTN-VQC 的表示和泛化能力进行误差性能分析。我们还利用 Polyak-Lojasiewicz 条件来表征 TTN-VQC 的优化属性。此外，我们对手写数字分类数据集进行了函数回归实验，以证明我们的理论分析是正确的。
荷兰NO2和PM2.5的小时土地使用回归建模。
年平均土地利用回归（LUR）模型已被广泛用于评估空气污染暴露的空间模式。但是，它们无法捕获空气污染中的昼夜变异性，因此可能导致动态暴露评估有偏见。在这项研究中，我们旨在使用LUR算法对荷兰的两种主要污染物（第2和PM 2.5）进行平均小时浓度。，我们建模了2016年至2019年平均小时浓度的空间变化，合计为两个季节，以及两种工作日类型。使用了两种建模方法，有监督的线性回归（SLR）和随机森林（RF）。潜在的预测因子包括种群，道路，土地利用，卫星检索和化学转运模型污染估计具有不同缓冲尺寸的变量。我们还使用小时监控数据从2019年的年度模型进行了时间调整，以将其性能与小时建模方法进行比较。结果表明，每小时2个模型的总体表现良好（5倍交叉验证r 2 = 0.50 - 0.78），而PM 2.5进行中等（5倍交叉验证r 2 = 0.24 - 0.62）。在第2号和PM 2.5中，温暖季节的表现都比寒冷的季节差，周末比工作日还差。两种污染物的RF和SLR模型的性能相似。对于SLR和RF，与工作日相比，在周末型号中选择了更大的缓冲尺寸的变量，代表背景浓度的变化，与冷季相比，在周末模型中选择了更频繁的变量。年度平均模型的时间调整总体上比两种建模方法都要差（无2小时r 2
51.7亿个回归可以告诉我们人类视觉系统的人工模型？
在机器视觉和认知神经影像中的快速同时进步提供了一个无与伦比的机会，以评估人工视觉系统的人工模型的当前状态。在这里，我们对85个现代深神经网络模型进行了大规模的基准分析（例如剪辑，Barlowtwins，Mask-Rcnn）以强大的统计能力来表征 - 插座和训练任务的差异如何有助于预测人类视觉系统的16个不同区域的人类fMRI活动。我们发现：一个，甚至是鲜明的建筑差异（例如在变压器和MLP混合物中缺乏卷积）在与大脑数据的紧密拟合中几乎没有影响。第二，任务的差异具有明显的效果 - 分类和自我监督模型表现出相对较强的大脑预测性；第三，该功能重新恢复会导致大脑预测性的实质性改善，而不会过度拟合 - 产生模型对脑回归权重，这些重量在相同水平的对大脑响应水平的新图像以上的预测性水平上概括。从广义上讲，这项工作为现代深度神经网络模型的特征空间与人类视觉系统固有的代表性结构之间的特征空间之间的紧密对应呈现了一条陆地。
