XiaoMi-AI文件搜索系统
World File Search System建模方法
基于分位数的 SDG 建模方法
摘要 尽管对能源创新和经济增长的研究仍在进行中，但人们对能源创新程度如何影响一个国家的收入不平等知之甚少。为了填补这一研究空白，我们开发了一个双变量模型来分析能源创新的分配如何影响一个国家的收入分配。利用费雪理想指数，我们计算了能源效率作为能源创新的指标。分位数对分位数回归已用于捕捉 N11 国家不同收入分位数对能源创新的影响。结果表明，在 N11 组成员国之间，能源创新可能产生不同的结果，即 a) 公平和积极的影响，(b) 负面影响，和 (c) 收入分配方面的不公平影响。我们推断出重要的政策含义，这可能会导致 N11 国家制定可持续发展战略。 35 这项研究是首批建立能源创新与一个国家不同分位数的收入不平等之间直接联系的研究之一。此外，我们成功地展示了高级分位数方法在推断可持续发展目标 (SDG) 重点政策影响中的应用。 39 40 关键词：能源创新；能源效率；收入不平等；可持续发展目标；分位数回归 42 43 44 1 通讯作者
行为与认知建模方法 - 唐宁芝
在实验中，程序员将使用 GitHub Copilot 完成各种编程任务：（1）算法设计；（2）计算器的前后端开发；（3）面向对象编程练习。将分析基于 AST/srcML 层次结构的眼动追踪模式和 IDE 行为模式。
使用概念建模方法进行可解释AI
摘要 许多人工智能 (AI) 应用都涉及机器学习的使用，机器学习不断发展并解决越来越复杂的任务。同时，概念建模通常应用于此类现实世界任务，以便可以在适当的细节级别对其进行抽象，以捕获和表示开发有用的信息系统以支持应用程序的要求。在这项研究中，我们开发了一个框架，通过使用概念模型从应用程序的人类心理模型发展到机器学习模型。基于该框架，我们开发了一种新颖的概念叠加方法，以提高机器学习模型的可解释性。我们通过将机器学习应用于《住房抵押贷款披露法》数据库中的公开数据来说明该方法，该数据库包含在美国收集的 2020 年抵押贷款申请数据。机器学习任务是预测抵押贷款是否获得批准。结果显示，通过以代表心理模型的概念模型的形式包含领域知识，而不是仅仅依靠算法，可以提高机器学习应用程序的可解释性。初步结果表明，包含此类知识有助于推进可解释性问题。
一种时空数据缩减与建模方法
分析和学习时空数据集是许多领域的重要过程，包括交通运输、医疗保健和气象学。特别是，环境中的传感器收集的数据使我们能够理解和模拟环境中的过程。最近，收集的时空数据量显著增加，给数据科学家带来了一些挑战。因此，需要采取措施减少需要处理的数据量，以便分析和学习时空数据集。在本文中，我们提出了 k 维时空缩减方法 ( k D-STR )，以减少用于存储数据集的数据量，同时允许对缩减后的数据集进行多种类型的分析。 k D-STR 使用分层分区来查找相似实例的时空区域，并对每个区域内的实例进行建模以总结数据集。我们用三个表现出不同时空特征的数据集证明了 k D-STR 的通用性，并展示了一系列数据建模技术的结果。最后，我们将 k D-STR 与其他减少时空数据量的技术进行了比较。我们的结果表明，k D-STR 可有效减少时空数据，并可推广到具有不同属性的数据集。
使用机器学习的财务建模方法
总而言之，机器学习已成为金融领域不可或缺的一部分，重塑了制度的运作方式和做出决定。其分析大量数据集并随着时间的推移而适应的能力可以提高预测和操作效率的准确性。Coursera（2023）强调，“机器学习系统可帮助人们了解大量数据并发现其中的重要模式。”机器学习技术的持续发展和集成可能会继续推动金融方面的创新，为更智能的决策过程铺平了道路。本文使用机器学习的财务建模方法的研究目标如下：定义财务建模和机器学习：建立对财务建模和机器学习的清晰定义，突出其基本概念以及它们如何在财务分析的背景下相交。检查机器学习在财务建模中的集成：研究机器学习技术如何增强传统的财务建模方法，专注于它们处理大型数据集，识别模式并提高预测精度的能力。确定机器学习在财务建模中的关键应用：探索在财务建模中应用机器学习的特定应用程序，例如风险评估，投资组合优化和预测，证明了其对财务决策的实际影响。评估收益和局限性：评估在财务建模中利用机器学习的优势，包括提高效率和提高准确性，同时还解决了潜在的局限性和挑战，例如数据质量问题和模型的解释性。提出未来的研究方向：建议在机器学习和财务建模集成中进一步探索的领域，考虑到可能塑造金融行业未来实践的新兴技术和方法。
混合威胁建模方法 - SEI 数字图书馆
现代软件系统不断遭受来自对手的攻击，如果攻击得逞，系统可能无法按预期运行，或导致机密信息泄露。新闻中几乎每天都会出现信用卡盗窃和其他类型的安全漏洞，这些漏洞涉及广泛的网络物理系统、交通系统、自动驾驶汽车等。构建任何面向公众的系统显然都需要采用系统的方法来分析安全需求并记录缓解要求。安全的挑战在于对手会巧妙地试图破坏系统利益相关者的意图，而不一定怀有恶意。例如，许多极其严重的安全违规行为都是由辛勤工作的员工造成的，他们将高度敏感的数据放在 USB 驱动器上，以便在家工作。虽然可以在网络和代码级别分析安全性以防止缓冲区溢出、SQL 注入攻击等，但在需求工程过程的早期建立防御性思维模式是有价值的。防御性思维意味着，对于每一个新需求或新特性，我们都需要考虑它可能如何被对手滥用或击败。
两种疲劳估计建模方法的分析...
风力涡轮机部件由于暴露在极端环境条件下，尤其是海上环境条件下，会承受相当大的应力和疲劳。为此，本研究探索了两种不同的风力涡轮机叶片疲劳损伤估计和剩余使用寿命预测方法。第一种方法使用雨流计数算法。第二种方法来自疲劳损伤模型，该模型描述了由于基质裂纹导致的微观损伤传播，在宏观尺度上表现为刚度损失。这两种技术都使用从著名的风力涡轮机模拟器 FAST（疲劳、空气动力学、结构和湍流）获得的叶片根部力矩传感器信号提供的信息进行了测试。
一种时空数据缩减与建模方法
分析和学习时空数据集是许多领域的重要过程，包括交通运输、医疗保健和气象学。特别是，环境中的传感器收集的数据使我们能够理解和模拟环境中的过程。最近，收集的时空数据量显著增加，给数据科学家带来了一些挑战。因此，需要采取措施减少需要处理的数据量，以便分析和学习时空数据集。在本文中，我们提出了 k 维时空缩减方法 (k D-STR)，以减少用于存储数据集的数据量，同时允许对缩减后的数据集进行多种类型的分析。k D-STR 使用分层分区来查找相似实例的时空区域，并对每个区域内的实例进行建模以汇总数据集。我们用 3 个表现出不同时空特征的数据集证明了 k D-STR 的通用性，并展示了一系列数据建模技术的结果。最后，我们将 k D-STR 与其他减少时空数据量的技术进行了比较。我们的结果表明，k D-STR 可以有效减少时空数据，并可以推广到具有不同属性的数据集。
InP HEMT 的分布式小信号等效电路建模方法
2. 1 寄生电感 小信号外参数提取方法的关键是简化图 1 中某一特定偏置点处的等效电路。在冷夹断条件下（ V ds =0 ， V gs < - V th ），漏源电流源和输出电导可忽略不计，因此耗尽区可以用三个电容 C ig 、 C id 和 C igd 来表征，如图 2 所示。通常先提取寄生电容，无法消除寄生电感的影响，因此在提取寄生电容之前必须先去嵌入寄生电感 L g 、 L d 和 L s ，这也是本文方法与 Gao 等方法的不同之处
一种用于解释人口的生成建模方法......
摘要。了解神经结构在个体之间的差异对于描述疾病、学习和衰老对大脑的影响至关重要。然而，解开导致个体差异的不同因素仍然是一项艰巨的挑战。在本文中，我们介绍了一种深度生成建模方法来发现许多个体之间的不同变化模式。为此，我们首先在 25 微米分辨率的 1,700 多只小鼠大脑的自发荧光图像集合上训练变分自动编码器。然后，为了利用学习到的因素并验证模型的表现力，我们开发了一种新颖的双向技术来解释潜在空间——通过对网络的高维输入以及瓶颈中的低维潜在变量进行结构化扰动。我们的结果表明，通过将生成建模框架与结构化扰动相结合，可以探测潜在空间以深入了解深度神经网络中形成的大脑结构表征。