XiaoMi-AI文件搜索系统
World File Search System密度估计
CMIP6 GCM每日降雨降雨
全球气候模型（GCM）是确定气候系统将如何响应的复杂工具。但是，GCM的输出具有粗分辨率，这不适合盆地级建模。全球气候模型需要以局部/盆地量表进行缩小，以确定气候变化对水文反应的影响。本研究试图评估如何使用Arti B CIAL神经网络（ANN），变更因子（CF），K-Neareast邻居（KNN）和多个线性回归（MLR）在印度35个不同位置的各种大规模预测变量如何在印度35个不同位置繁殖局部规模的降雨。根据相关值进行预测变量的选择。作为潜在的预测因子，空气温度，地理电位高度，风速分量和特定B C时相对湿度的相对湿度，选择了海平面压力。比较四种不同统计数据的繁殖，例如，在选定站点的每日降雨量的PDF估算的各种统计数据，如所选位置的平均值，标准偏差，分位数 - 分位数，累积分布函数和内核密度估计。CF方法在几乎所有站点上的其他方法都优于其他方法（R 2 = 0.92 - 0.99，RMSE = 1.37 - 28.88 mm，NSE = - 16.55 - 0.99）。这也与IMD数据的概率分布模式相似。
如何了解生成网络的局限性
与整个社会一样，LHC物理学目前正在经历由现代数据科学驱动的转型。LHC物理学的实验和理论方法本质上一直是数量的，其目标是定量，系统地和全面地从基本理论方面了解数据。生成网络是现代机器学习（ML）的一个令人兴奋的概念，将无监督的密度估计与可解释的相空间中的密度估计与快速，灵活的采样和仿真相结合[1]。当前，精确生成的最有希望的杂物是使流量及其可逆网络（INN）变体，但我们会看到扩散模型和生成变压器可能会提供更好的精确和表现力平衡。LHC模拟和分析中生成网络的任务范围是广泛的。鉴于LHC模拟的模块化结构，它始于相位空间的集成和SAMPOR的[2-7]，例如ML编码的过渡幅度。更多的LHC特定任务包括事件减法[8]，事件不体[9，10]或超分辨率增强[11，12]。在物理相空间上工作的生成网络已被开发并测试为事件发生器[13 - 18]，Parton Showers [19-23]和检测器模拟[24 - 48]。这些网络应接受第一原则模拟的培训，易于处理，有效运输，可以放大培训样本[49，50]，并且 - 最重要的是 - 精确。在本文中，我们将探讨基于分类器的粒子物理学生成网络评估的优点。超越了前进，有条件的生成网络也可以应用于概率展开[51 - 56]，推理[57，58]或异常检测[59 - 64]，从而增强了精确要求。对于上述所有任务，标准化流量或旅馆都达到了LHC物理学所需的精度，稳定和控制的水平。控制这些属性网络性能的方法包括贝叶斯网络设置[18，65]，分类器 - 剥离[18，66 - 68]和增强数据的有条件培训[18]。基于这些发展，LHC物理学需要系统地评估生成网络的性能和精度[69]，例如通过新的体系结构量化可能的收益[39，70 - 72]。我们将首先定义这种系统评估的目标，然后在SEC中介绍分类器指标。2。我们将在第二节中介绍我们的喷气发射机[69]。3，并在更多细节中讨论与参考文献相似的热量计仿真。[33]4。最后，我们将展示如何使用事件权重来跟踪Sec中ML-Event Generator [18]之间的两个版本之间的进度。5。我们还将说明如何进行针对异常权重的运动学分布进行系统扫描，可以确定训练有素的网络问题以及贝叶斯网络如何帮助我们确定这种差异的原因。所有三个应用程序结合在一起，说明了在相位空间上学习的控制权重的分布是生成网络及其形状提供强大的“可解释的AI”（XAI）工具的可靠度量，该工具使我们能够系统地搜索生成模型的故障模式，确定潜在的物理学原因，并提高测试过的网络高效。
具有控制注入性的地质碳存储的数字双胞胎
我们提出了用于地质碳存储（GCS）的不确定性数字双胞胎（DT），能够处理多模式的延时数据并控制CO 2注射率以减轻储层破裂风险。在GCS中，DT代表地下系统的虚拟复制品，这些系统结合了实时数据和先进的生成人工智能（Genai）技术，包括通过基于模拟的推理和顺序贝叶斯推断进行的neu-ral后部密度估计。这些方法可以有效地监视和控制CO 2存储项目，以应对地下复杂性，操作优化和降低风险等挑战。通过整合各种监测数据，例如地球物理井观测和成像地震，DT可以弥合看似不同的领域（如地球物理学和储层工程）之间的差距。此外，Genai的最新进展还促进了DT的原则不确定性定量。通过递归训练和推断，DT利用了模拟的当前样品，例如CO 2饱和度，与相应的地球物理场观测值配对以训练其神经网络，并在接收新的场数据时启用后取样。但是，它缺乏决策和控制能力，这对于完整的DT功能是必需的。本研究旨在证明DT如何为决策过程提供信息，以防止在CO 2存储操作期间瓶盖岩石断裂等风险。
婴儿期间的语言经验预测2岁的白质髓鞘化
父母的输入被认为是生命的最初几年语言成就的关键预测指标，但相对较少的研究评估了父母语言输入和父母的影响 - 婴儿相互作用对早期大脑发育。我们检查了父母和儿童语言的度量之间的关系，这些度量是从6、10、14、18和24个月的自然主义家庭记录获得的，以及对白质髓鞘的估计，来自2岁的定量MRI（平均= 26.30个月，SD = 1.62，n = 22）。对白质的分析重点是与表达语言发展和长期语言能力相关的背途径，即左弧形筋膜（AF）和上级纵向筋膜（SLF）。父母的频率 - 婴儿对话转弯（CT）在AF和SLF中唯一预测髓磷脂密度估计。此外，在控制成人言语和与儿童语音有关的话语的同时，CT的效果仍然显着，这暗示了交互式语言体验的特定作用，而不是简单地说话曝光或产生。对包括右AF和SLF在内的另外18种区域的探索性分析表明，具有高度的解剖学特异性。对父母和儿童语言变量的纵向分析表明，CT早在6个月大时就产生了影响，并且对婴儿期的持续效果。，这些结果将父母链接在一起 - 婴儿对话转变为2岁的白质髓鞘，并建议与语言的早期互动体验独特地有助于与长期语言能力相关的白质的发展。
学习优化变分量子电路来解决组合问题
量子计算是一种计算范式，在解决各种问题时有可能超越经典方法。最近提出的量子近似优化算法 (QAOA) 被认为是近期展示量子优势的主要候选算法之一。QAOA 是一种变分混合量子-经典算法，用于近似解决组合优化问题。QAOA 针对给定问题实例获得的解决方案的质量取决于用于优化变分参数的经典优化器的性能。在本文中，我们将寻找最优 QAOA 参数的问题表述为一项学习任务，其中可以利用从解决训练实例中获得的知识来为看不见的测试实例找到高质量的解决方案。为此，我们开发了两种基于机器学习的方法。我们的第一种方法采用强化学习 (RL) 框架来学习策略网络以优化 QAOA 电路。我们的第二种方法采用核密度估计 (KDE) 技术来学习最佳 QAOA 参数的生成模型。在这两种方法中，训练过程都是在可以在传统计算机上模拟的小型问题实例上执行的；然而，学习到的 RL 策略和生成模型可用于有效地解决更大的问题。使用 IBM Qiskit Aer 量子电路模拟器进行的大量模拟表明，与其他常用的现成优化器相比，我们提出的基于 RL 和 KDE 的方法将最优差距缩小了 30 倍。15 倍。
实时3D语义场景感知具有双眼视觉的自我中心机器人
摘要 - 在室内移动的同时，感知具有多个对象的三维（3D）场景对于基于视觉的移动配件至关重要，尤其是对于增强其操纵任务的尤其是。在这项工作中，我们为具有双眼视觉的自我中心机器人提供了实例分割，特征匹配和点集注册的端到端管道，并通过拟议的管道展示了机器人的抓地力。首先，我们为单视图3D语义场景分割设计了一个基于RGB图像的分割方法，并利用2D数据集中的常见对象类将3D点封装在对象实例的点云中，通过相应的深度映射。接下来，根据先前步骤中匹配的RGB图像中感兴趣的对象之间的匹配关键，提取了两个连续的点云的3D对应关系。此外，要意识到3D特征分布的空间变化，我们还根据使用内核密度估计（KDE）的估计分布（KDE）来称量每个3D点对，随后可以使稳健性具有较小的中心范围，同时求解点云之间的刚性转换。最后，我们在7-DOF双臂Baxter机器人上测试了我们提出的管道，并使用安装的Intel Realsense D435i RGB-D相机测试了我们的管道。结果表明我们的机器人可以在移动时分割感兴趣的对象，注册多个视图，并掌握目标对象。源代码可在https://github.com/mkhangg/semantic Scene感知上获得。
使用深度神经密度估计器进行癫痫全脑网络建模的基于模拟的推理
癫痫的全脑网络建模是一种数据驱动的方法，它将个性化的解剖信息与异常大脑活动的动态模型相结合，以生成在大脑成像信号中观察到的时空癫痫发作模式。这种参数模拟器配备了一个随机生成过程，它本身为推断和预测受疾病影响的局部和整体大脑动态提供了基础。然而，全脑尺度的似然函数计算往往是难以解决的。因此，需要无似然推理算法来有效估计与大脑中假设区域有关的参数，理想情况下包括不确定性。在这项详细的研究中，我们提出了基于模拟的虚拟癫痫患者 (SBI-VEP) 模型推理，它只需要前向模拟，使我们能够摊销代表全脑癫痫模式的低维数据特征参数的后验推断。我们使用最先进的深度学习算法进行条件密度估计，通过一系列可逆变换检索参数和观测值之间的统计关系。这种方法使我们能够根据新输入数据轻松预测癫痫发作动态。我们表明，SBI-VEP 能够从颅内 EEG 信号的稀疏观测中准确估计与大脑中致痫区和传播区范围相关的参数的后验分布。所提出的贝叶斯方法可以处理非线性潜在动力学和参数退化，为从神经影像学模式可靠地预测神经系统疾病铺平了道路，这对于制定干预策略至关重要。
证据网络：快速，摊销，神经贝叶斯模型比较的简单损失
抽象证据网络可以在最先进的方法时启用贝叶斯模型比较（例如嵌套采样）失败，即使可能性或先验是棘手或未知的可能性。贝叶斯模型比较，即贝叶斯因素或证据比率的计算可以作为优化问题。尽管贝叶斯对最佳分类的解释是众所周知的，但在这里，我们更改了透视和当前类别的损失函数，这些损失功能会导致快速，摊销的神经估计器，这些神经估计器直接估计贝叶斯因子的方便功能。这种减轻与估计单个模型概率相关的数值不准确性。我们介绍了泄漏的奇偶校验功率（L-pop）变换，从而导致了新型的“ L-pop-timpential”损失函数。我们探讨了不同模型中数据概率的神经密度估计，这表明与证据网络相比，它的准确和可扩展性不那么准确和可扩展性。多个现实世界和综合示例说明，证据网络明确地独立于参数空间的维度，并与后验概率密度函数的复杂性温和地缩小。这种简单而强大的方法对模型推理任务具有广泛的影响。作为证据网络在现实世界数据中的应用，我们计算了两个模型的贝叶斯因子，该模型具有暗能量调查的重力镜头数据。我们简要讨论了我们的方法在隐式推理设置中的其他相关的模型比较和评估问题。
...
CO1 Understand the concepts of Vector space and inner-product spaces CO2 Apply the linear algebra concepts in approximations and matrix decompositions CO3 Understand functions of several variables, gradients relevant for machine learning CO4 Apply optimization techniques in real life problems CO5 Acquire sound mathematical aspects of machine learning Syllabus: Linear Algebra : Vector spaces, linear independence, basis, linear transformations,坐标，线性变换，仿射空间，仿射映射的矩阵表示；内部产物空间 - 矢量空间上的内部产品和规范，长度，角度，正交补充，投影，最小平方近似，革兰氏schmidt过程，旋转；矩阵分解 - cholesky分解，特征分解和对角线化，奇异值分解；微积分和优化：几个变量的函数，矩阵的梯度，用于计算梯度的有用身份，反向传播和自动分化，深网中的梯度，线性化和多元泰勒级数；使用梯度下降，使用Lagrange乘数，凸优化的梯度下降优化 - 凸集，凸功能，线性编程，二次编程，legendre -fenchel transform，并凸出机器学习中的数学方面：线性回归和参数估计；降低降低 - 主成分分析，线性判别分析；高斯混合模型的密度估计；用支持向量机的分类 - 分离超平面，原始和双支持向量机，内核；学习资源：教科书：1。机器学习的数学，马克·彼得·迪森罗斯（Mark Peter Deisenroth），A。AldoFaisal和Cheng ong ong，剑桥大学出版社，2020年参考书：1。线性代数，Stephen H. Friedberg，Arnold J. Insel和Lawrence E. Spence，Pearson，2019年，第五版2。线性代数和从数据中学习，吉尔伯特·斯特朗线性代数和用于机器学习的优化，Charu C. Aggarwal，Springer，2020
自然图像的高斯二进制限制玻尔兹曼机器的分析
在本文中，我们从密度估计的角度以及对自然图像统计的特定角度进行了对高斯二元限制的玻尔兹曼机器（GB-RBM）的分析。我们发现，GB-RBMS中可见单元的边际概率分布可以写为高斯人的线性叠加，该叠加位于投影平行的thelelotope的顶点，即在高尺寸中平行的。此外，我们的分析表明，GB-RBMS中可见单元的方差在建模输入分布中起着重要作用。GB-RBM。[1]。在实践中，Lee等人。提议对GB-RBMS施加稀疏的惩罚项[2]。但是，Krizhevsky成功地使用GB-RBMS仅从微小的信息中提取特征[3]。Le Roux等。 定量评估该模型为生成模型[4]，并从IMEGE重建的视图中证明了模型的缺陷。 Cho等。 通过一些补救措施解决了培训程序的缺陷[5]。 Theis等。 进一步说明了基于Loglikelihoody的估计[6]。 我们的分析和结果表明，具有简单对比性差异算法的GB-RBM也能够学习独立的组件，即使学习分布不是数据的良好表示。Le Roux等。定量评估该模型为生成模型[4]，并从IMEGE重建的视图中证明了模型的缺陷。Cho等。 通过一些补救措施解决了培训程序的缺陷[5]。 Theis等。 进一步说明了基于Loglikelihoody的估计[6]。 我们的分析和结果表明，具有简单对比性差异算法的GB-RBM也能够学习独立的组件，即使学习分布不是数据的良好表示。Cho等。通过一些补救措施解决了培训程序的缺陷[5]。Theis等。 进一步说明了基于Loglikelihoody的估计[6]。 我们的分析和结果表明，具有简单对比性差异算法的GB-RBM也能够学习独立的组件，即使学习分布不是数据的良好表示。Theis等。进一步说明了基于Loglikelihoody的估计[6]。我们的分析和结果表明，具有简单对比性差异算法的GB-RBM也能够学习独立的组件，即使学习分布不是数据的良好表示。