XiaoMi-AI文件搜索系统
World File Search System因果
一个统一的布局模式分析框架，具有深度因果估计
摘要 - 特征大小的减小和制造过程的增长会导致制造半导体设备的更多故障。因此，识别失败的根本原因布局模式变得越来越多地提高产量。在本文中，提出了一个基于布局感知诊断的新型布局模式分析框架，以有效地确定根本原因。在框架的第一个阶段，使用对比度学习训练的编码网络用于提取布局片段的表示形式，这些片段不变到琐碎的变换，包括偏移，旋转，旋转和镜像，然后将其聚类以形成布局模式。在第二阶段，我们通过结构性因果模型对任何潜在的根本原因布局模式与系统缺陷之间的因果关系进行建模，然后将其用于估计候选候选候选缺陷模式的平均因果效应（ACE），以识别真正的根本原因。对实际工业案例的实验结果表明，我们的框架的表现要优于具有更高准确性的商业工具，并且平均速度约为8.4加速。
颞叶枢纽在介导自我融合过程中的因果作用
心理化是人类社会行为的核心教师，涉及推断他人的认知状态。这个过程需要采用同种中心的观点并抑制一个以自我为中心的观点，被称为自我 - 其他分歧（SOD）。同时，个人可以以亲社会行为的方式将自己的认知状态投射到他人，这是一个被称为自我的过程 - 其他融合（SOM）。目前尚不清楚这两个相对的过程在心理化过程中如何共存。我们在这里将功能性磁共振成像（FMRI）和重复的经颅磁刺激（RTMS）技术与鼻内催产素（OT INT）与健康男性人类参与者的SOM效应为探测器，在此期间，他们将决策信心的认知归因于匿名的匿名伙伴。我们的结果表明ot int
监视引起反馈回路的机器学习算法的性能：因果估计是什么？
在部署了机器学习（ML）的系统后，监视其穿孔对于确保算法随着时间的推移的安全性和有效性很重要。当ML算法与其环境相互作用时，该算法会影响数据生成机制，并在评估其独立性能（称为性能的问题）时成为偏见的主要来源。尽管先前的工作已经显示了如何使用因果推理技术在表现性的情况下验证模型，但在表现性存在下如何监视模型的工作很少。与模型验证的设置不同，在哪些绩效指标上要监视的一致性要小得多。不同的监视标准会影响最终的测试统计量，可识别性所需的假设以及检测速度。当该选择进一步加上使用观察性数据与介入数据的决定时，ML部署团队将面临多种监视选项。这项工作的目的是突出设计监视策略的相对低估的复杂性以及因果推理如何在这些选项之间提供系统选择的系统框架。作为一个激励示例，我们考虑了一种基于ML的风险预测算法，用于预测计划外的再入院。将因果推理和统计过程控制中的工具汇总在一起，我们考虑了六个监视程序（三个候选监测标准和两个数据源），并在模拟研究中调查其操作特征。该案例研究的结果强调了看似简单（且显而易见的）事实，即并非所有的监视系统都是平等的，这对ML监视系统的设计和文档产生了现实世界的影响。
全球供应链破坏对宏观经济结果的因果影响：证据和理论
我们研究了全球供应链中断的因果影响和政策影响。我们从集装箱船的强制性自动识别系统数据中构建了供应链中断的新指数，开发了一种新型的空间聚类算法，该算法决定了全球主要端口的位置，速度和集装箱船的实时拥塞。我们开发了一种模型，在生产商和零售商之间进行搜索摩擦，将备用生产能力与商品市场拥堵以及产出和价格的响应联系起来，对供应链冲击的响应。产出，价格和备用能力的共同介绍产生了供应链干扰的唯一识别限制，使我们能够研究此类中断的因果影响。我们记录了供应链冲击如何在2021年推动通货膨胀的方式，但在2022年，传统需求和供应冲击在解释通货膨胀方面也起着重要作用。最后，我们展示了在全球供应链冲击后与常规情况相比，金钱政策如何在驯服通货膨胀方面更有效。
超扫描脑电图时间序列中 PCMCI 的定向因果效应
社交活动可能会对参与协作社交情境的人的大脑产生影响或反应。本研究评估了一种新方法 Tigramite，用于对此类情境中人的前额皮质 (PFC) 之间的定向因果关系进行时间域分析。实验情境采用超扫描脑电图，个人以手指敲击节奏相互引导和跟随。这项结构化任务持续时间长，前额皮质中发生脑间因果反应的可能性很高。Tigramite 是一种基于图形的因果发现方法，用于识别观察时间序列中的定向因果关系。Tigramite 用于分析 PFC 内部和之间的定向因果关系。在社交互动过程中，可以检测到大脑内部和之间的显著定向因果关系。这是 Tigramite 可以揭示超扫描脑电图时间序列中脑间和脑内定向因果效应的第一个经验证据。这一发现有望利用 Tigramite 在时间域的脑电图上进一步研究社交活动中神经网络的因果关系。
长covid中的因果基因发现的综合多词框架
1* Unisa STEM，南澳大利亚大学，Mawson Lakes，Adelaide 6，5095，SA，澳大利亚。7 2农业和食品，英联邦科学与工业研究8组织，26 Pembroke Rd，Marsfield，2122，新南威尔士州，澳大利亚。9 3澳大利亚精密健康中心，南澳大利亚大学，阿德莱德10号，澳大利亚，5000，澳大利亚。11 4 Unisa Allied Health and Human Expormast，南12澳大利亚大学，阿德莱德，SA，5000，澳大利亚。13 5南澳大利亚卫生与医学研究所（SAHMRI），南澳大利亚大学14号，阿德莱德大学，澳大利亚5000，澳大利亚。15 6南澳大利亚大学未来工业学院，莫森16湖，阿德莱德，5095，澳大利亚，澳大利亚。17 7应用人工智能研究所，迪金大学，75 Pigdons 18 Rd，Victoria，3216，澳大利亚墨尔本。19 8达利大学工程学院，达利2号，达利，671003，中国20号。21
有关儿童肥胖和牙本质异常的因果推断：孟德尔随机研究
摘要背景：牙面异常，包括斑纹，可能导致功能障碍和社会心理挑战。尽管生长和发展过程中的遗传学和环境因素扮演着关键的作用，但儿童肥胖的影响尚不清楚。这项研究旨在研究使用孟德尔随机化（MR）的儿童期高体重与牙本质异常之间的因果关系。方法：使用全基因组关联研究数据应用了两样本的MR方法，这是一种在遗传流行病学中用于推断暴露与结果之间因果关系和结果的一种技术，该技术使用每个遗传关联研究的摘要数据。这种方法利用基因的随机分配来克服观察性研究中的混杂和反向因果关系问题，通过使用遗传变异作为仪器变量。儿童肥胖和体重指数（BMI）是暴露和牙本质异常。在严格的过滤后，14个儿童肥胖和16个与BMI相关的单核苷酸多态性被选为使用反相反的加权，MR-EGGER，MR-EGGER，加权中位数，加权模式和Mendelian随机性随机化模式和Mendelian随机性的多效性残留率和脱位率（MR-PRESSO）方法分析的仪器变量。用于鉴定潜在的多效性，MR-EGGER截距测试和MR-Presso全球测试。此外，进行了一项删除灵敏度分析，以评估发现的鲁棒性。Cochrane的Q检验，漏斗图，EGGER截距测试和MR-Presso全球测试没有异质性或水平多效性。结果：儿童肥胖（P = 0.005，赔率无线电（OR）= 0.918 [0.865，0.974]）和较高的BMI（P = 3.72×10-6，OR = 0.736 [0.646，0.838]）与潜在的CASAL的牙本质相关关系降低，与潜在的CASAL相关性降低。保留的分析确认了结果稳定性。结论：这项研究提供了遗传证据，表明儿童肥胖和BMI可能与牙齿/下巴畸形（如牙合牙合）的发生率较低有关。虽然鉴于儿童肥胖的总体健康风险，但似乎存在逆关系，但该链接需要谨慎的解释和进一步的研究。
具有量子热噪声的量子计量的不确定因果顺序
研究了具有不确定因果顺序的切换量子通道，用于受量子热噪声影响的量子比特幺正算子相位估计的基本计量任务。报告显示，不确定顺序的切换通道具有特定功能，而传统的确定顺序估计方法则无法实现这些功能。相位估计可以通过单独测量控制量子比特来执行，尽管它不会主动与幺正过程交互 - 只有探测量子比特会这样做。此外，使用完全去极化的输入探针或与幺正旋转轴对齐的输入探针可以进行相位估计，而这在传统方法中是不可能的。本研究扩展到热噪声，之前已使用更对称和各向同性的量子比特去极化噪声进行了研究，它有助于及时探索与量子信号和信息处理相关的具有不确定因果顺序的量子通道的属性。