XiaoMi-AI文件搜索系统
World File Search System平滑
使用基于边距的标签平滑校准分割网络
尽管深度神经网络推动了视觉识别任务的进步，但最近的证据表明，这些模型校准不佳，导致预测过于自信。在训练期间最小化交叉熵损失的标准做法促使预测的 softmax 概率与独热标签分配相匹配。然而，这会产生正确类别的预 softmax 激活，该激活明显大于其余激活，从而加剧了校准错误问题。最近从分类文献中观察到，嵌入隐式或显式最大化预测熵的损失函数可产生最先进的校准性能。尽管有这些发现，但这些损失在校准医学图像分割网络的相关任务中的影响仍未得到探索。在这项工作中，我们提供了当前最先进的校准损失的统一约束优化视角。具体来说，这些损失可以看作是线性惩罚（或拉格朗日项）的近似值，对 logit 距离施加了等式约束。这指出了这种底层等式约束的一个重要限制，其随后的梯度不断推向无信息解决方案，这可能会阻止在基于梯度的优化过程中在判别性能和模型校准之间达到最佳折衷。根据我们的观察，我们提出了一种基于不等式约束的简单而灵活的泛化方法，它对 logit 距离施加了一个可控的边际。在各种公共医学图像分割基准上进行的全面实验表明，我们的方法在网络校准方面为这些任务设定了新的最先进的结果，同时判别性能也得到了改善。代码可在 https://github.com/Bala93/MarginLoss 获得
SmOOD：基于平滑度的飞机设计替代神经网络的分布外检测方法
航空工业一直在寻求在人力、计算时间和资源消耗方面更高效的设计优化方法。当代理模型和最终过渡到 HF 模型的切换机制都经过适当校准时，混合代理优化可以在提供快速设计评估的同时保持高质量结果。前馈神经网络 (FNN) 可以捕获高度非线性的输入-输出映射，从而产生有效的飞机性能因素替代品。然而，FNN 通常无法推广到分布外 (OOD) 样本，这阻碍了它们在关键飞机设计优化中的应用。通过基于平滑度的分布外检测方法 SmOOD，我们建议使用优化的 FNN 替代品对模型相关的 OOD 指标进行编码，以生成具有选择性但可信预测的可信代理模型。与传统的基于不确定性的方法不同，SmOOD 利用 HF 模拟固有的平滑特性，通过揭示其可疑的敏感性来有效地暴露 OOD，从而避免对 OOD 样本的不确定性估计过于自信。通过使用 SmOOD，只有高风险的 OOD 输入才会被转发到 HF 模型进行重新评估，从而以较低的间接成本获得更准确的结果。研究了三种飞机性能模型。结果表明，基于 FNN 的替代方法优于高斯过程替代方法
哮喘气道重塑中气道平滑肌细胞的细胞来源及其临床意义：叙述性综述
ASMCs 具有收缩表型标志基因[例如，α平滑肌肌动蛋白 (α-SMA)、钙调蛋白、SM22 和平滑肌肌球蛋白重链]，是支气管收缩的主要效应细胞，并募集免疫细胞，这些免疫细胞主要通过增强对刺激的反应性、更大程度的收缩、增加体积和增加炎症介质（例如，Cxcl8、Cxcl10）的分泌（10）来导致哮喘气道高反应性、缩窄、重塑和炎症。因此，明确这些导致哮喘气道重塑和气道平滑肌层增厚的“ASMCs”的性质和来源尤为重要。此外，有必要开发减少 ASMCs 聚集和收缩能力以及减轻 ASMCs 炎症的抑制剂。本文总结了近年来关于“ASMCs”来源的研究，以及针对哮喘气道重塑中“ASMCs”异常增多的靶向治疗，并按照叙述性综述报告清单撰写了以下文章（可参见https://atm.amegroups. com/article/view/10.21037/atm-22-3219/rc）。
通过平滑学习图上的图形信号处理进行基于 EEG 的运动想象解码
摘要 — 目的：本文提出了一种基于图信号处理 (GSP) 的方法，通过获取任务特定的判别特征来解码两类运动想象脑电图数据。方法：首先，使用图学习 (GL) 方法从脑电图信号中学习特定于受试者的图。其次，通过对每个受试者图的归一化拉普拉斯矩阵进行对角化，获得正交基，使用该基计算脑电图信号的图傅里叶变换 (GFT)。第三，将 GFT 系数映射到判别子空间，以使用由 Fukunaga-Koontz 变换 (FKT) 获得的投影矩阵区分两类数据。最后，对 SVM 分类器进行训练和测试，以根据所得特征的方差来区分运动想象类别。结果：在 BCI 竞赛 III 的数据集 IVa 上评估所提出的方法，并将其性能与 i) 使用由皮尔逊相关系数构建的图上提取的特征和 ii) 三种最先进的替代方法进行比较。结论：实验结果表明，所提出的方法优于其他方法，反映了整合 GL、GSP 和 FKT 元素的额外优势。意义：所提出的方法和结果强调了整合 EEG 信号的空间和时间特征在提取能够更有力地区分运动想象类别的特征方面的重要性。
纳米电网试验台中的太阳能平滑
摘要 — 太阳能的高渗透率给配电系统的运行带来了新的挑战。考虑到由于云层覆盖的变化导致太阳能输出的高度波动性，保持功率平衡并在爬坡率限制内运行可能是一个问题。通过在配备灵活资源（如电动汽车和电池存储系统）的各个站点平滑太阳能输出，可以为电网带来巨大好处。本文提出了几种太阳能平滑应用方法，利用位于佛罗里达州一家公用事业公司的“纳米电网”试验台中的电池存储和电动汽车充电控制。控制算法侧重于实时应用和基于预测的预测控制。然后使用来自纳米电网站点的实际数据比较太阳能平滑模型，以展示所提出模型的有效性并比较它们的结果。此外，控制方法应用于奥兰多公用事业委员会 (OUC) 纳米电网以确认模拟结果。索引术语 — 太阳能平滑、光伏预测、爬坡率、电池
名称 陆地 SCIS Catchline 更平滑、优化...
安全智能手机和平板电脑上的移动应用程序 SCORPION 敌我地理定位和可互操作的战术情况共享 机载-地面连续性数据交换，包括与 SCORPION SICS
平滑人臂运动的能量基础
图2。实验循环的代谢成本。（a）循环到达的循环范围是在水平平面上进行比较和对称进行的，主要是在肩膀上。将假设的力率成本与工作成本隔离，运动的变化以产生固定的机械功率，通过随着运动频率的增加而减少振幅。（b）运动数据包括通过过期的气体呼吸测定法的肩角，机械能力，肌电图（EMG）和（未显示）代谢能量消耗。
量子和量子启发的机器学习的平滑输入准备
抽象的机器学习最近已成为寻找潜在量子计算优势的富有成果的领域。许多量子增强的机器学习算法批判性地取决于有效产生与存储在量子可访问存储器中的高维数据点的状态的能力。即使是对数据库中存储的许多条目的查询访问，其构造被认为是一次性开销，也有人认为，准备此类振幅编码状态的成本可能会抵消任何指数量子优势。在这里，我们使用平滑的分析证明，如果数据分析算法与小型入口输入扰动相对于较小的入门扰动，则可以通过持续的查询来实现状态准备。通常在现实的机器学习应用程序中满足此标准，其中输入数据对中等噪声进行了主观。我们的结果同样适用于量子启发的算法最近的开创性进度，其中专门构建的数据库足以在低级别病例中用于小聚集素的经典算法。我们发现的结果是，出于实用的机器学习目的，在具有量子算法或量子启发的经典经典算法的一般且灵活的输入模型下，在低级别病例的一般且灵活的输入模型下，可以进行多组载体的处理时间。
平滑和优化最大相对熵
事实证明，对于平滑的最大相对熵，并没有一个统一的定义；不同的作者有时会选择不同的距离概念来进行平滑，这会导致 (3.2) 中集合 B ε ( ρ ) 的不同选择。此外，算子 ξ 有时不仅可以在密度算子上取值，还可以在次归一化密度算子上取值，在这种情况下，最大相对熵的定义会以最直接的方式扩展以适应此类算子。然而，通常情况下，定义平滑的最大相对熵的距离概念要么基于迹距离，要么基于保真函数。通过 Fuchs-van de Graaf 不等式，可以发现，由此得出的平滑最大相对熵的定义大致等价，而且在定性意义上也非常相似。为了具体起见，我们将根据跟踪距离来定义平滑的最大相对熵，如下面的定义所精确的那样。
含储能系统的风电场单样本最优出力平滑方法
全球环境问题（如全球变暖和化石燃料枯竭）是严重的问题。风力发电作为解决这些问题的方案已在世界范围内受到重视[1]。然而，风力发电机的输出会由于风速变化而频繁且迅速地波动。在拥有大规模风电场 (WF) 的电力系统中，频率和电压等电能质量可能会下降[2–5]。为了避免这种情况，电力公司发布了与 WF 功率波动相关的技术要求。为了缓解功率波动，人们使用了储能系统 (ESS)（如电池或飞轮 [6–8]），如图 1 所示。ESS 的主要问题之一是如何设计控制系统以降低成本。为此，需要一种控制算法来降低 ESS 的额定功率（额定能量容量），因为吸收 WF 输出短期分量的 ESS 的成本主要由额定功率决定。虽然 ESS 的成本也取决于额定能量容量，但它受到 ESS 额定功率（通过所谓的 C 速率）的制约 [9]。此外，虽然 ESS 的充电/放电损耗会影响成本，但尚未详细讨论该问题。已经报道了一些降低额定功率（额定能量容量）的 ESS 控制方法。一阶低通滤波器（FLF）通常用于 ESS 控制系统中，通过消除短期分量来减轻 WF 输出的波动。