XiaoMi-AI文件搜索系统
World File Search System无环图
出版信息 John, John Jacob, Arash Beiranvand 和 Paul Cuffe。“通过识别走廊对有向无环图中的节点进行聚类
摘要 — 本文提出了一种基于电网内现行功率流条件的节点聚类新方法。为此，首先，将网络的有功功率流状态建模为有向无环图。该有向图明确表示功率流向何处，这有助于监控和分析系统漏洞。有向无环图表示还可以轻松识别仅提供或吸收有功功率的总线：这些总线分别是纯源节点和纯汇节点。对系统中的每个节点应用迭代路径查找程序，以枚举供电的源节点和其将功率转发到的下游汇节点。然后应用新颖的聚类算法将共享同一组可达源节点和汇节点的节点分组在一起。首先提出这种新颖的聚类方法作为一种工具，通过更好地总结大型电网中的总功率流配置来提高控制室操作员的态势感知能力。所提出的方法应用于两个样本电网，并阐述了与河流系统的类比，将支流、分流和中央主流等概念应用于电网。
13.1 有向无环图.pptx
● 随着区块链交易数量的增长，所需的存储空间和网络带宽也随之增长。● 迄今为止，DAG 项目包含一些中心化特性，例如中央协调器、预选验证器或“见证”节点，或完全私有的网络系统。迄今为止，它们还无法维持“纯粹的去中心化”。
生成有向无环图的开源软件比较
如何建立因果关系的研究在许多学科中引起了越来越多的关注 [1、2、3、4、5、6]，尤其是在无法进行随机对照实验的情况下。有向无环图 (DAG) [1、2、5] 是可视化假设的因果关系、确定可能出现偏差的位置以及告知如何解决偏差的关键工具之一。这些图显示了暴露、结果和其他相关变量之间的联系。DAG 被广泛应用于流行病学 [7、8、9]、社会学 [10、11、12]、教育学 [13、14、15] 和经济学 [16、17、18]。 DAG 由节点和边组成，节点表示变量，边通过显示从原因指向结果的箭头来传达直接的因果关系。重要的是，如果一个图没有变量是其自身的祖先，即图中没有循环，并且每条边都指向一个方向，则该图符合 DAG 的条件 [19]。要使 DAG 被视为因果关系，它需要包含图中任何两个现有变量的共同原因的所有变量 [1]。
通过结构，监督和生成的对抗学习测试定向无环图
在本文中，我们提出了一种针对定向无环图（DAG）的新假设测试方法。虽然有大量的DAG估计方法，但DAG推理解决方案的相对匮乏。此外，现有方法通常施加一些特定的模型结构，例如线性模型或加性模型，并假设独立的数据观察结果。我们提出的测试允许随机变量之间的关联是非线性的，并且数据与时间有关。我们基于一些高度灵活的神经网络学习者进行测试。我们建立了测试中的渐近保证，同时允许每个受试者的受试者数量或时间点差异到无穷大。我们通过模拟和大脑连接网络分析来证明测试的功效。
基于有向无环图的神经网络，用于可调低
在移动设备上处理视觉数据有许多应用，例如应急响应和跟踪。最先进的计算机视觉技术依赖于大型深度神经网络 (DNN)，而这些网络通常耗电量太大，无法部署在资源受限的边缘设备上。许多技术通过牺牲准确性来提高 DNN 的效率。然而，这些技术的准确性和效率无法适应具有不同硬件约束和准确性要求的各种边缘应用。本文表明，一种称为分层 DNN 的最新高效树型 DNN 架构可以转换为基于有向无环图 (DAG) 的架构，以提供可调的准确性-效率权衡选项。我们提出了一种系统方法来识别必须添加的连接以将树转换为 DAG 来提高准确性。我们在流行的边缘设备上进行了实验，并表明增加 DAG 的连接性可以将准确性提高到现有高精度技术的 1% 以内。我们的方法比高精度技术所需的内存减少了 93%，能耗减少了 43%，操作减少了 49%，从而提供了更高的精度和效率。
多任务卸载策略优化基于有向的无环图用于边缘计算
摘要 - 随着用户应用程序服务需求的进步，IoT系统倾向于将任务运送到边缘服务器以进行执行。当前关于流量边缘计算的大多数研究都忽略了应用程序综合之间的依赖关系。主要用于单用户场景中，主要用于应用拓扑拓扑的边缘计算的少数研究。与以前的工作不同，我们的工作主要解决了在多源场景中使用边缘计算弹出的依赖任务，这更符合现实。在本文中，将流量问题的依赖任务建模为马尔可夫决策过程（MDP）第一。然后，我们通过共同考虑，通过共同考虑几个用户之间的应用拓扑，并共同考虑了一个基于有向的无环图（DAG）的嵌入层的参与者 - 批评机制。最后，模拟的结果还显示了所提出的Aced算法的优先级。
有向无环图上的同步动力系统
背景和动机：离散动力系统是研究网络中扩散现象的形式化模型。这些模型的应用领域包括社会传染（例如信息、观点、时尚、流行病）的研究和能源需求建模（例如太阳能的适应）（Adiga 等人 2019 年；Chistikov 等人 2020 年；Ogihara 和 Uchizawa 2020 年；Gupta 等人 2018 年）。非正式地说，这样的动力系统 4 由一个底层（社会或生物）网络组成，每个节点都有一个来自域 B 的状态值。在本文中，我们假设底层图是有向的，域是二进制的（即 B = { 0,1 } ）。传染病的传播由一组布尔局部函数建模，每个节点一个。对于任何节点 v ，v 处的局部函数 fv 的输入是 v 的当前状态及其邻居（即，v 具有传入边的节点）的状态，而 fv 的输出是下一时刻 v 的状态。我们考虑同步更新模型，其中所有节点都评估其局部函数并并行更新其状态。这些动力系统在文献中被称为同步动力系统 (SyDS)（例如，(Adiga 等人 2019；Rosenkrantz 等人 2018)）。在涉及系统生物学的应用中，这样的系统也称为同步布尔网络（例如，(Kauffman 等人 2019)）。
使用加权定向的无环图进行重大维修房地产物品：节能措施的最佳组合简介
摘要。在2005年至2019年期间，世界各地对世界各地进行的能源消耗分析表明，能源消耗的增长仅在每年增加，需要一定的节能措施。最大的能源消耗是在建筑业中，即与大城市城市化有关的住宅建筑。能源消耗不仅取决于温度和照明控制系统的能源效率，还取决于其运营的建筑物的效率。基于此，考虑到有条件地分为“旧公寓楼”和“新公寓楼”（取决于建筑时期）的Voronezh市的住房库存。多区域建筑物。根据获得的数据，分别对旧公寓楼和新公寓楼的能源消耗进行了统计分析。在研究的基础上，在使用加权定向的无环图计划进行大量维修（AB）时，提出了算法进行节能措施引入。
DAGBagM：学习混合变量的有向无环图并应用于识别卵巢癌的预后蛋白生物标志物
动机：通过将有向无环图 (DAG) 模型应用于蛋白质组数据推断出的有向基因/蛋白质调控网络已被证明可有效检测临床结果的因果生物标志物。然而，在 DAG 学习中仍然存在尚未解决的挑战，即联合建模临床结果变量（通常采用二进制值）和生物标志物测量值（通常是连续变量）。因此，在本文中，我们提出了一种新工具 DAGBagM，用于学习具有连续和二进制节点的 DAG。通过为连续和二进制变量使用适当的模型，DAGBagM 允许任一类型的节点在学习图中成为父节点或子节点。DAGBagM 还采用了引导聚合策略来减少误报并实现更好的估计精度。此外，聚合过程提供了一个灵活的框架，可以稳健地整合边缘上的先验信息以进行 DAG 重建。结果：模拟研究表明，与常用的将二进制变量视为连续变量或离散化连续变量的策略相比，DAGBagM 在识别连续节点和二进制节点之间的边方面表现更好。此外，DAGBagM 的表现优于几种流行的 DAG