XiaoMi-AI文件搜索系统
World File Search System推断
利用脑电图推断进行脑指纹识别
越来越多的研究表明，功能连接组具有个体特异性，因此可以视为大脑指纹；即能够在健康 [1] 和疾病 [2], [3] 的人群中识别个体。传统的方法是将大脑区域视为顶点，将区域对之间的区域时间过程的统计依赖性成对度量（即皮尔逊相关系数）视为边权重，从而构建功能连接组 (FC)。人们已经使用不同的神经成像方式研究了 FC 的指纹潜力，即脑电图 (EEG) [4], [5]、脑磁图 (MEG) [6], [7] 和功能性磁共振成像 (fMRI) [1], [8]。所有这些研究都有助于从大脑连接数据中实现单受试者水平的推断，即通过利用不同认知任务和静息状态下功能网络组织的个体属性 [9], [10]，或通过将个体连接组特征与行为和人口统计分数联系起来 [1], [6], [7], [9]。然而，传统的功能连接组不仅捕捉到了神经活动之间的统计依赖性，也捕捉到了潜在噪声源的统计依赖性。此外，功能连接组的构造仅提供大脑动态的成对表示，例如通过将大脑视为二元组的组合。由于其简单性，这一假设是有益的，但它限制了对人类大脑网络中个体特征的研究。因此，已经提出了基于主成分重建 [9] 或特征空间嵌入 [10] 的功能连接组去噪补救措施，每种方法都需要从潜在空间中学习基于空间的功能连接组。
信息论和变分推断的平方和松弛
摘要 我们考虑香农相对熵的扩展，称为 f -散度。三个经典的相关计算问题通常与这些散度有关：(a) 根据矩进行估计，(b) 计算正则化积分，以及 (c) 概率模型中的变分推断。这些问题通过凸对偶相互关联，并且对于所有这些问题，在整个数据科学中都有许多应用，我们的目标是计算上可处理的近似算法，这些算法可以保留原始问题的属性，例如潜在凸性或单调性。为了实现这一点，我们推导出一系列凸松弛，用于从与给定特征向量相关的非中心协方差矩阵计算这些散度：从通常不易处理的最佳下限开始，我们考虑基于“平方和”的额外松弛，现在它可以作为半定程序在多项式时间内计算。我们还提供了基于量子信息理论的谱信息散度的计算效率更高的松弛方法。对于上述所有任务，除了提出新的松弛方法外，我们还推导出易于处理的凸优化算法，并给出了多元三角多项式和布尔超立方体上的函数的说明。
具有代数约束的概率推断-Zhe Zeng
加权模型集成（WMI）是在混合域中对混合域进行高级概率推断的框架，即在混合连续二散的随机变量上以及存在复杂的逻辑和算术约束的情况下。在这项工作中，我们在理论和算法方面都推进了WMI框架。首先，我们根据WMI问题的依赖关系结构的两个关键特性来追踪WMI推断的障碍性边界：稀疏性和直径。我们证明，当该结构是用对数直径树形的，精确的推断才是有效的。尽管这结果加深了我们对WMI的理论理解，但它阻碍了确切的WMI求解器对大问题的实际适用性。为了克服这一点，我们提出了第一个近似WMI求解器，该求解器不诉诸采样，但对近似模型进行了精确的推断。我们的解决方案迭代执行通过放松的问题结构传递的消息，以恢复丢失的依赖关系。正如我们的实验表明的那样，它会扩展到无法确切的WMI求解器到达的问题，同时提供准确的近似值。
基于机器学习的推断作物种植成本
摘要。重要的是要理解诸如劳动，种子，灌溉，杀虫剂，肥料和肥料成本等运营费用之间的关系。种植农作物的精确成本可以为农业决策提供重要的信息。该研究的主要目标是比较机器学习（ML）技术，以衡量在生长季节开始之前使用农业部和印度政府农民福利提供的数据集在生长季节开始之前预测作物种植成本的关系。本文介绍了各种ML回归技术，比较了各种学习算法，并根据数据集，样本和属性来确定最有效的回归算法。用于预测1680个实例成本的数据集包括12年（2010- 2011年至2021 - 2022年）的14种不同作物的不同成本。考虑了十种不同的ML算法，并预测了农作物培养成本。评估结果表明，随机森林（RF），决策树（DT），扩展梯度提升（XR）和K-Neighbours（KN）回归在确定系数（R 2），均方根误差（RMSE）和训练时间时提供了更好的性能。这项研究还比较了不同的ML技术，并使用方差统计分析（ANOVA）检验显示出显着差异。关键字：机器学习，农作物种植成本，预测，ANOVA，GRIDSEARCHCV，RANCTAL SEARCHCV。使用GridSearchCV和随机搜索功能找到了ML模型的最佳超参数，从而提高了模型的泛化能力。
贝叶斯推断划分数据的框架
使用大数据进行贝叶斯计算的常见分裂方法是分区数据，分别对每一部分进行局部推断，并结合结果以获得全局后近近似值。虽然在概念上和计算上具有吸引力，但该方法涉及有问题的需要，也需要将局部推断的先验分开；这些疲软的先验可能无法为每个单独的计算提供足够的正则化，从而消除了贝叶斯方法的关键优势之一。为了解决这一难题，同时仍保留了基本局部推理方法的普遍性，我们将期望传播（EP）的想法应用于分布式贝叶斯推论的框架。鉴于其他近似值和先验的状态，迭代的想法是迭代地更新局部可能性的近似值。
使用生物医学图像分割的变异推断的不确定性定量
由卷积神经网络激励的深度学习在一系列医学成像问题（例如图像分类，图像分割，图像合成等）中非常成功。但是，对于验证和可解释性，我们不仅需要模型做出的预测，而且还需要在做出这些预测时它的自信。这对于人民接受安全的关键应用很重要。在这项工作中，我们使用了基于变异推理技术的编码器解码器结构来分割脑肿瘤图像。我们使用骰子相似性系数（DSC）和联合（IOU）的交集作为评估指标，评估公开可用的Brats数据集的工作。我们的模型能够以原则上的贝叶斯方式考虑脑肿瘤，同时考虑到疾病的不确定性和认知不确定性。
脑电图神经活动的贝叶斯推断
摘要 脑机接口 (BCI) 是一种将大脑活动转化为操作技术命令的系统。脑电图 (EEG) BCI 的常见设计依赖于 P300 事件相关电位 (ERP) 的分类，这是一种由常见非目标刺激中罕见的目标刺激引起的反应。现有的 ERP 分类器很少直接探索神经活动的潜在机制。为此，我们对 P300 ERP-BCI 设计下的多通道真实 EEG 信号的概率分布进行了新颖的贝叶斯分析。我们的目标是识别神经活动的相关时空差异，这为 P300ERP 反应提供了统计证据，并有助于设计高效、准确的个性化 BCI。作为我们对单个参与者分析的一项重要发现，视觉皮层周围通道的目标 ERP 在刺激后约 200 毫秒达到负峰值的后验概率为 90%。我们的分析确定了 BCI 拼写器的五个重要通道（PO7、PO8、Oz、P4、Cz），从而实现了 100% 的预测准确率。从对其他九名参与者的分析中，我们一致地选择了确定的五个通道，并且选择频率对带通滤波器和内核超参数的微小变化具有稳健性。本文的补充材料可在线获取。
有效推断分位数治疗效果和超越
我们考虑在估计估计方程式中估计涉及依赖目标参数作为输入的高维滋扰函数的估计参数。一个中心示例是因果推理中（局部）分位处理效应（（l）QTE）的效率估计方程，该方程涉及在分位数上评估的协方差累积分布函数以进行估计。基于估计的滋扰和插入估计值的现有方法，例如伪造的马克内斯学习（DML），我们需要我们在所有可能的输入中学习滋扰。对于（L）QTE，DML要求我们学习整个协变量累积分布函数。我们相反提出了局部付符的机器学习（LDML），该学习避免了此盗窃步骤，并且只需要在单个初始粗略猜测目标参数的情况下估算烦恼。对于（L）QTE，LDML仅涉及学习两个回归功能，这是机器学习方法的标准任务。我们证明，在LAX速率条件下，我们的估计器具有与使用未知的真实滋扰的不可行的估计器相同的渐近行为。因此，LDML显着实现了实际上可比性和理论上的效率估计因果推理中重要数量的效果，例如（l）QTES，当我们必须控制许多协变量和/或相关关系时，正如我们在经验研究中所证明的那样。
实用的贝叶斯推断神经科学
由于复制越来越多的研究的复制，生物科学中的典型统计实践已被越来越受到质疑，其中许多研究被无效假设测试设计和P值解释的相对难度所困扰。贝叶斯推论代表了一种根本不同的假设检验方法，由于其易于解释和对先前假设的明确声明，因此获得了新的兴趣作为潜在的替代或对传统无效假设检验的补充。贝叶斯模型在数学上比等效频繁的方法更为复杂，这些方法历来将应用程序限制在简化的分析案例中。但是，随着计算能力的指数增加，概率分布采样工具的出现现在可以在任何数据分布下快速而强大的推断。在这里，我们介绍了在大鼠电生理和计算建模数据中使用贝叶斯推断在神经科学研究中使用贝叶斯推断的实用教程。我们首先是对贝叶斯规则和推理的直观讨论，然后使用来自各种神经科学研究的数据制定基于贝叶斯的回归和ANOVA模型。我们展示了贝叶斯推论如何导致对数据的易于解释分析，同时提供开源工具箱来促进贝叶斯工具的使用。
层次结构融合为反应性机器人控制的推断
摘要 - 混乱，密集和染色环境中的运动产生是机器人技术中的一个核心话题，被视为多目标决策问题。当前的安全性和性能之间的权衡。一方面，反应性策略保证了对环境变化的快速响应，其风险次优行为。另一方面，基于计划的运动产生提供可行的轨迹，但是高计算成本可能会限制控制频率，从而限制安全性。为了结合反应性策略和计划的好处，我们提出了一种分层运动方法。此外，我们采用概率推理方法来形式化层次模型和随机优化。我们将这种方法视为随机，反应性专家政策的加权产品，在该策略中，计划用于适应任务范围内的最佳权重。这种随机优化避免了局部优点，并提出了可反应性计划，以发现混乱且致密的环境中的路径。我们在平面导航和7DOF操作中进行的广泛实验研究表明，我们提出的层次运动生成方法的表现优于近视反应性控制器和在线重新规划方法。其他材料可在https://sites.google.com/view/hipbi上找到。