Affiliations 1 Laboratory of Molecular Genetics and Immunology, Rockefeller University, New York, NY 2 Department of Medicine, Memorial Sloan Kettering Cancer Center, New York, NY 3 The Marc and Jennifer Lipschultz Precision Immunology Institute, Icahn School of Medicine at Mount Sinai, New York, NY 4 Department of Oncological Sciences, Tisch Cancer Institute, Icahn School of Medicine at西奈山,纽约,纽约州,纽约州5座纪念纪念馆,斯隆·凯特林癌症中心,纽约,纽约州6泌尿外科,伊坎山泌尿科,纽约州西奈山,纽约,纽约,纽约7当前地址:Genentech,Inc。,Inc。,南旧金山,美国加利福尼亚州南旧金山,美国加利福尼亚州,
。cc-by-nd 4.0国际许可证(未经同行评审证明)获得的是作者/资助者,他已授予Biorxiv的许可证,以永久显示预印本。这是该版本的版权持有人,该版本发布于2023年1月23日。 https://doi.org/10.1101/2023.01.22.525079 doi:Biorxiv Preprint
。cc-by 4.0国际许可(未经Peer Review尚未获得认证)是作者/资助者,他已授予Biorxiv的许可证,以永久显示预印本。这是该版本的版权持有人,该版本发布于2023年1月13日。 https://doi.org/10.1101/2023.01.12.523677 doi:biorxiv Preprint
我们提出了几个与罗伯逊-薛定谔不确定关系相关的不等式。在所有这些不等式中,我们考虑将密度矩阵分解为混合状态,并利用罗伯逊-薛定谔不确定关系对所有这些成分都有效的事实。通过考虑边界的凸顶部,我们获得了 Fröwis 等人在 [ Phys. Rev. A 92 , 012102 (2015) ] 中的关系的另一种推导,并且我们还可以列出使关系饱和所需的许多条件。我们给出了涉及方差凸顶部的 Cramér-Rao 边界的公式。通过考虑罗伯逊-薛定谔不确定关系中混合状态分解的边界的凹顶部,我们获得了罗伯逊-薛定谔不确定关系的改进。我们考虑对具有三个方差的不确定性关系使用类似的技术。最后,我们提出了进一步的不确定性关系,这些关系基于双模连续变量系统的标准位置和动量算符的方差,为二分量子态的计量实用性提供了下限。我们表明,在 Duan 等人 [ Phys. Rev. Lett. 84 , 2722 (2000) ] 和 Simon [ Phys. Rev. Lett. 84 , 2726 (2000) ] 的论文中讨论了这些系统中众所周知的纠缠条件的违反,这意味着该状态在计量学上比某些相关的可分离状态子集更有用。我们给出了有关自旋系统具有角动量算符的纠缠条件的类似结果。
摘要 - 为训练神经网络提供了一个新框架,该框架基于测量变化的表征和稳定。该框架产生了许多有用的属性,可最大程度地利用数据的使用以及以原则上的方式解释结果的解释。这是通过方差稳定和随后的标准化步骤来实现的。该方法是一种通用方法,可以在可重复性数据可用的任何情况下使用。以这种方式进行标准化允许从统计的角度来解释拟合的良好和测量数据。我们在分析高级制造数据中证明了该框架的实用性。索引术语 - 变化稳定,神经网络,多层感知器,降低的卡 - 清点,CHI-Square每度自由度,这项工作中的金属添加剂制造作为一种普遍的回归,用于研究金属添加性制造(AM)过程参数和所致的融合属性属性的金属添加性生产(AM)的关系。在这里将对添加剂数据的分析作为用例表示,但是框架本身是一般的,可以在可重复性数据可用的任何方法中使用。添加剂制造是一个3D打印过程,它以逐层方法构建组件; Meltpool是熔融原料和底物材料的体积。这通常会导致数据集的样本数量少[1],[2],这些数据集需要一种系统的方法学方法来帮助鲁棒解释。了解材料和熔体之间的基本物理和关系是过程优化的关键,但是对原位测量的机会是有限的,因此缺乏基本的过程理解。使用神经网络在分析高级制造过程数据中提出了特定的困难,因为收集高质量的数据是充分的,复杂的,需要仔细的计划。
摘要 — 尽管在游戏人工智能(AI)开发方面取得了重大突破,但麻将作为一种流行的多人不完美信息游戏仍然颇具挑战性。与围棋和德州扑克等游戏相比,麻将具有更多的不可见信息、不固定的游戏顺序和复杂的计分系统,导致强化学习过程中的奖励信号具有很高的随机性和方差。本文通过将奖励方差减少(RVR)引入到一种新的自对弈深度强化学习算法中,提出了一种麻将人工智能。RVR通过相对价值网络处理不可见性,该网络利用全局信息引导模型在具有完美信息的预言机下收敛到最优策略。此外,RVR使用预期奖励网络提高了训练稳定性,以适应复杂、动态和高度随机的奖励环境。大量实验结果表明,RVR 显著降低了麻将 AI 训练中的方差,提高了模型性能。经过在一台拥有 8 个 GPU 的服务器上仅三天的自我对战训练,RVR 在 Botzone 平台上击败了 62.5% 的对手。索引术语 — 不完全信息博弈、多智能体学习、强化学习、麻将 AI
许可证和建立联系信息。根据HACCP计划控制的食物列表。每个食品的流程图,包括过程步骤,危害,危害控制,临界控制点,成分,设备和食谱的步骤。关键控制点和临界限制。正在遵循监视关键限制和验证标准操作程序的方法和频率。纠正措施。支持文件,例如员工培训标准操作程序,空白记录表格以及DATCP所需的任何其他信息。
摘要 — 由于维数较高,噪声多通道脑电图时间序列数据的协方差矩阵难以估计。在基于事件相关电位和线性判别分析 (LDA) 进行分类的脑机接口 (BCI) 中,解决这个问题的最新方法是通过收缩正则化。我们提出了一个新想法来解决这个问题,即对 LDA 的协方差矩阵实施块 Toeplitz 结构,这实现了每个通道在短时间窗口中信号平稳的假设。在 13 种事件相关电位 BCI 协议下收集的 213 名受试者的数据上,与收缩正则化的 LDA(最多 6 个 AUC 点)和黎曼分类方法(最多 2 个 AUC 点)相比,由此产生的“ToeplitzLDA”显著提高了二元分类性能。这意味着应用程序级别的性能得到了极大改善,例如在无监督视觉拼写器应用程序中记录的数据,其中 25 个受试者的拼写错误平均可以减少 81%。除了 LDA 训练的内存和时间复杂度较低之外,ToeplitzLDA 被证明即使在 20 倍的时间维度扩大后也几乎保持不变,这减少了对特征提取专家知识的需求。
2014 年第八届全国联合委员会 (JNC8)、2017 年美国心脏病学会/美国心脏协会 (ACA/AHA) 和 2018 年欧洲心脏病学会指南均建议对 BAA 的初始治疗方法采取独特的方法,指出该组中没有合并症的个体应接受噻嗪类利尿剂或钙通道阻滞剂 (CCB) 作为初始治疗,而血管紧张素转换酶抑制剂 (ACE) 和/或血管紧张素受体阻滞剂 (ARB) 应仅被视为患有某些合并症的 BAA 的初始治疗,而非 BAA 个体无论合并症如何都可以使用这三类药物中的任何一种。 16 – 18 这些指南呼应了 2010 年国际黑人高血压协会 (ISHB) 共识声明中的观点,该声明建议在 BAA 人群中(但不适用于其他人群)的一线治疗应包括噻嗪类利尿剂或 CCB,而不是 ACE/ARB。19
现今随着高通量测序技术的飞速发展,微生物群落分析受到越来越多的关注。观测数据具有以下典型特征:高维、成分复杂(处于单纯形状态),甚至由于种类过于丰富而呈现尖峰性和高度偏斜性,这使得传统的相关性分析无法研究微生物种类之间的共现和共排斥关系。在本文中,我们解决了该类数据的协方差估计难题。假设基协方差矩阵位于一类公认的稀疏协方差矩阵中,我们采用文献中称为中心对数比协方差矩阵的代理矩阵,由于维数趋向于无穷大,因此它与真实的基协方差矩阵几乎无法区分。我们为中心对数比协方差矩阵构建了一个均值中位数 (MOM) 估计量,并提出了一种可适应各个条目变化的阈值处理程序。通过施加一个比文献中的亚高斯条件弱得多的有限四阶矩条件,我们推导出谱范数下的最佳收敛速度。此外,我们还为支持恢复提供了理论保证。MOM 估计量的自适应阈值处理程序易于实现,并且在存在异常值或重尾时具有稳健性。进行了彻底的模拟研究,以显示所提出的程序优于一些最先进的方法。最后,我们应用所提出的方法来分析人类肠道中的微生物组数据集。用于实现该方法的 R 脚本可在 https://github.com/heyongstat/RCEC 获得。