XiaoMi-AI文件搜索系统
World File Search System权衡
添加管理退出策略的方法以逐步关闭企业并权衡所有选择
Deloitte T&R 的管理退出业务由我们的多学科转型与重组团队领导，为跨国公司和组织提供咨询，帮助他们修复、融资、出售或关闭各自业务中表现不佳和/或非核心的领域。我们与全球不同司法管辖区的多个服务部门和专家合作，帮助我们的客户确定适当的行动方案，包括制定初步战略和进行评估。当战略替代方案评估的结果是业务的逐步关闭和关闭是最佳选择时，Deloitte T&R 可以帮助制定详细规划并协助实施退出。我们还能够根据需要提供项目管理监督和实际实施。
并行方案下多参数量子磁力仪的最小权衡与极限精度
磁场的精确测量是量子计量学中最基本、最重要的任务之一。尽管过去几十年来人们对量子磁力仪进行了广泛的研究，但是在并行方案下估计磁场所有三个分量所能达到的最终精度仍然未知。这主要是因为人们对估计这三个分量的最佳探测态的不兼容性缺乏了解。在这里，我们提供了一种方法来表征由于最佳探测态不兼容性而导致的多个参数精度之间的最小权衡，从而确定了并行方案下估计磁场所有三个分量的最终精度极限。还明确构建了达到最终精度的最佳探测态。获得的精度为并行方案下多参数量子磁力仪的精度设定了基准，这在量子计量学中具有根本的兴趣和重要性。
计算发现具有最佳刚度阻止权衡的微观结构复合材料
僵硬与韧性之间的冲突是工程材料设计中的基本问题。，从未证明过具有最佳刚度阻止权衡取舍的微观结构化合物的系统发现，这受到模拟与现实之间的差异以及对整个Pareto阵线的数据有效探索之间的差异的阻碍。我们引入了一条可推广的管道，该管道将物理实验，数值模拟和人工神经网络集成以应对这两个挑战。没有任何规定的材料设计专家知识，我们的方法实现了嵌套循环提案验证工作流程，以弥合模拟到现实差距，并找到微观结构化的复合材料，这些复合材料僵硬而坚硬，具有较高的样品效率。对帕累托最佳设计的进一步分析使我们能够自动识别现有的韧性增强机制，这些机制以前是通过反复试验，错误或仿生物质发现的。在更广泛的规模上，我们的方法为除固体力学外的各种研究领域（例如聚合物化学，流体动力学，气象学和机器人学）提供了计算设计的蓝图。
重新审视可解释人工智能（XAI）中的性能与可解释性权衡
摘要 — 在需求工程 (RE) 领域，可解释人工智能 (XAI) 在使 AI 支持的系统与用户需求、社会期望和监管标准保持一致方面的重要性日益得到认可。总体而言，可解释性已成为影响系统质量的重要非功能性需求。然而，可解释性和性能之间的权衡挑战了可解释性的假定积极影响。如果满足可解释性的要求会导致系统性能下降，那么必须仔细考虑哪些质量方面优先以及如何在它们之间妥协。在本文中，我们批判性地研究了所谓的权衡。我们认为，最好以一种细致入微的方式来解决这个问题，将资源可用性、领域特征和风险考虑结合起来。通过为未来的研究和最佳实践奠定基础，这项工作旨在推动 AI 的 RE 领域的发展。索引词 — 人工智能、AI、可解释性、可解释人工智能、性能、非功能性需求、NFR、XAI、权衡分析、准确性
疫苗不完善、疫苗权衡和人口流动对传染病动态的影响
摘要：疫苗接种是管理传染病的重要工具。然而，许多疫苗并不完善，在减少疾病传播和/或有利于感染者康复方面仅具有部分保护作用，并且可能表现出这两种特性之间的权衡。此外，疫苗接种的成功还取决于人口流动率以及进入和退出人口的速度。我们在这里通过数学模型研究这些因素之间的相互作用，以预测最佳疫苗接种策略。我们首先计算基本再生数并研究平衡的全局稳定性。然后，我们使用敏感性分析评估决定总感染人数随时间变化的最有影响力的参数。我们推导出疫苗接种覆盖率和实现疾病根除的效率的条件，假设人口流动强度不同（弱和强）、疫苗特性（传播和/或康复）以及后者之间的权衡。我们发现，最低疫苗接种覆盖率会随着人口流动率的降低而增加，随着疫苗效率（传播或恢复）的提高而降低，并且根据疫苗权衡而增加/减少高达 15%。我们得出结论，应根据这些因素之间的相互作用来评估疫苗接种活动的覆盖率目标。
对物种识别的深度学习与捕食者 - 捕集的推断之间的权衡
深度学习用于在几个科学领域的重要应用中使用的计算机视觉问题。在生态学中，对深度学习的兴趣日益增加，以对大量图像（例如动物物种鉴定）进行重复分析。 但是，生态学家的社会性涉及深入学习的广泛采用有挑战性的问题。 首先，有一个编程障碍，因为大多数算法都是用python编写的，而大多数生态学家则精通R。 第二，深度学习在生态学中的最新应用集中在计算方面和简单任务上，而无需解决潜在的生态问题或进行统计数据分析以回答这些问题。 在这里，我们展示了可重复的R工作流程，该工作流程使用Predator-Prey关系作为案例研究整合了深度学习和统计模型。 我们说明了在用相机陷阱收集的图像上识别动物物种的深度学习，并使用多物种占用模型来量化空间同时存在。 尽管平均模型分类性能，但无论我们分析了地面真相数据集还是分类数据集，生态推断都是相似的。 此结果要求在分配的时间和资源之间进行进一步的工作，分配给具有深度学习的模型以及我们通过生物多样性监测正确解决关键生态问题的能力。 我们希望我们可重复的工作流对生态学家和应用统计学家有用。在生态学中，对深度学习的兴趣日益增加，以对大量图像（例如动物物种鉴定）进行重复分析。但是，生态学家的社会性涉及深入学习的广泛采用有挑战性的问题。首先，有一个编程障碍，因为大多数算法都是用python编写的，而大多数生态学家则精通R。第二，深度学习在生态学中的最新应用集中在计算方面和简单任务上，而无需解决潜在的生态问题或进行统计数据分析以回答这些问题。在这里，我们展示了可重复的R工作流程，该工作流程使用Predator-Prey关系作为案例研究整合了深度学习和统计模型。我们说明了在用相机陷阱收集的图像上识别动物物种的深度学习，并使用多物种占用模型来量化空间同时存在。尽管平均模型分类性能，但无论我们分析了地面真相数据集还是分类数据集，生态推断都是相似的。此结果要求在分配的时间和资源之间进行进一步的工作，分配给具有深度学习的模型以及我们通过生物多样性监测正确解决关键生态问题的能力。我们希望我们可重复的工作流对生态学家和应用统计学家有用。
开放经济体的货币政策冲击与通胀失业权衡：欧元区案例
摘要：本文表明，为了正确识别欧元区货币政策冲击，需要处理欧洲央行和美联储之间的相互作用。换句话说，正确识别欧元区这样的开放经济体的货币政策冲击需要考虑美国的政策利率。事实上，当我们将联邦基金利率从包括一组欧元区变量（即 Eonia、通货膨胀和失业）的估计 VAR 模型中排除时，我们发现通货膨胀对紧缩性货币政策冲击的反应存在错误迹象。此外，即使加上世界石油价格也无助于克服这一问题。相反，对于涵盖 1999-2019 年期间的样本，当将联邦基金利率和欧元-美元汇率添加到 VAR 模型中时，通货膨胀在两年内显示出统计上不显著的影响，此后下降。在这种模型规范下，出现了明显且显著的失业通货膨胀权衡。在VAR模型中，使用工业生产代替失业率可以证实这些结论。
循环神经网络可以解释生物视觉中速度和准确性的灵活权衡
视觉的深度前馈神经网络模型在计算神经科学和工程领域都占据主导地位。相比之下，灵长类动物的视觉系统包含丰富的循环连接。循环信号流能够随着时间的推移回收有限的计算资源，因此可能会提高物理上有限的大脑或模型的性能。这里我们展示：（1）在自然图像的大规模视觉识别任务中，循环卷积神经网络模型的表现优于参数数量匹配的前馈卷积模型。（2）设置一个置信度阈值，在该阈值处，循环计算终止并做出决策，可以灵活地以速度换取准确性。在给定的置信度阈值下，该模型会在更难识别的图像上花费更多的时间和精力，而无需额外的参数进行更深入的计算。（3）与几个参数匹配和最先进的前馈模型相比，循环模型对图像的反应时间可以更好地预测人类对同一图像的反应时间。 (4) 在置信度阈值范围内，循环模型模拟了前馈控制模型的行为，因为它以大致相同的计算成本（浮点运算的平均次数）实现了相同的精度。但是，循环模型可以运行更长时间（更高的置信度阈值），然后胜过参数匹配的前馈比较模型。这些结果表明，作为生物视觉系统的标志，循环连接对于理解人类视觉识别的准确性、灵活性和动态性可能至关重要。
权衡直接进入日本稀有药物和孤儿药市场的利弊
第一个是卫生技术评估 (HTA)。在厚生劳动省于 2016 年至 2018 年实施的试点 HTA 计划中，稀有药物和孤儿药被明确排除在范围之外。在 2019 年启动的最终 HTA 计划的正式范围界定中，包括允许厚生劳动省将“价格高得离谱”的药物纳入其中的措辞，但除此之外，所有迹象都表明稀有药物和孤儿药不会成为目标（见图 5）。然而，Alexion 的 Ultomiris（ravulizumab-cwvz）是首批被纳入正式 HTA 计划的药物之一，尽管该药物被指用于治疗难治性疾病（阵发性睡眠性血红蛋白尿）。在同一轮定价中，Alnylam 的 Onpattro 获得了与美国类似的价格标签，但由于该药物被指用于治疗难治性疾病，因此未被考虑用于 HTA。因此，现在应该在发展和市场准入计划中预见到 HTA，即使事实证明这种努力是不必要的。
探索脑机接口的深度学习和可解释模型之间的权衡
患有大脑或脊髓相关瘫痪的人通常需要依靠他人来完成基本任务，这限制了他们的独立性。一种潜在的解决方案是脑机接口 (BMI)，它可以让他们通过将大脑活动解码为运动命令来自愿控制外部设备（例如机械臂）。在过去十年中，深度学习解码器在大多数 BMI 应用中都取得了最先进的成果，从语音生成到手指控制。然而，深度学习解码器的“黑匣子”性质可能会导致意外行为，从而在现实世界的物理控制场景中造成重大安全隐患。在这些应用中，可解释但性能较低的解码器（例如卡尔曼滤波器 (KF)）仍然是常态。在这项研究中，我们设计了一个基于 KalmanNet 的 BMI 解码器，KalmanNet 是 KF 的扩展，它使用循环神经网络来增强其操作以计算卡尔曼增益。这会导致在输入和动态之间变化的“信任”。我们使用该算法根据两只猴子的大脑活动来预测手指运动。我们将离线（预先记录的数据，n = 13 天）和在线（实时预测，n = 5 天）的 KalmanNet 结果与简单的 KF 和两种具有最先进结果的最新深度学习算法进行了比较：tcFNN 和 LSTM。KalmanNet 在离线和在线模式下取得了与其他深度学习模型相当或更好的结果，依靠动态模型来停止，而更多地依靠神经输入来启动运动。我们通过实施使用相同策略的异方差 KF 进一步验证了这一机制，并且它也接近最先进的性能，同时仍在标准 KF 的可解释范围内。然而，我们也看到了 KalmanNet 的两个缺点。KalmanNet 与现有的深度学习解码器一样具有有限的泛化能力，并且它使用 KF 作为归纳偏差在存在看不见的噪声分布的情况下限制了其性能。尽管存在这种权衡，我们的分析成功地整合了传统控制和现代深度学习方法，以激发高性能且仍可解释的 BMI 设计。