XiaoMi-AI文件搜索系统
World File Search System梯度
分布式深钢筋学习基于联邦学习启用车辆边缘计算的梯度量化
摘要 - 填充学习（FL）可以通过共享车辆本地模型而不是本地数据的梯度来在一定程度上保护车辆在车辆边缘计算（VEC）中的隐私。车辆本地型号的梯度通常对于车辆人工智能（AI）应用通常很大，因此传输如此大的梯度会导致较大的环境潜伏期。梯度量化已被认为是一种有效的方法，可以通过压缩梯度和减少位的数量，即量化水平，从而减少FL的每轮潜伏期，从而降低VEC。选择量化水平和阈值的选择决定了量化误差，这进一步影响了模型的准确性和训练时间。为此，总训练时间和量化错误（QE）成为启用FL的VEC的两个关键指标。与启用FL的VEC共同优化总训练时间和量化宽松至关重要。但是，随时间变化的通道条件会引起更多挑战来解决此问题。在本文中，我们提出了一个分布式的深钢筋学习（DRL）基于量化水平分配方案，以优化长期奖励，从总培训时间和量化宽松的时间来优化。广泛的模拟确定了总训练时间和量化宽松之间的最佳加权因素，并证明了拟议方案的可行性和有效性。
评估随机森林，决策树，支持向量回归的性能和流量预测的梯度提升
这项研究利用一系列机器学习算法来预测Ikpoba河的小时流量。数据收集依赖于沿河沿线安装的水透度系统，收集每小时测量量高度，环境温度和大气压。将量规高度转换为流量数据，从Ikpoba河等级曲线中提取了涵盖2015年至2020年期间的历史量规和流量数据，并使用曲线拟合技术对水流和量规高度之间的精确关系进行了分析。使用各种拟合度措施，例如调整后的R平方值，估计标准误差和确定系数，用于识别最佳拟合关系。随后使用土壤和水评估工具对估计的流量数据进行了验证，并结合了研究区域的数字高程模型，以及其他输入参数，例如土壤，坡度，每日最大降水量和每日最高温度。使用Microsoft Excel中生成的回归图进行了验证结果。从机器学习结果中，随机森林算法在预测流量方面的其他方法优于其他方法，均为0.02的均值误差和确定系数为0.98。相反，决策树在预测单个数据点方面表现出了较高的准确性，最低的根平方误差为0.02。
Yolov9：使用可编程梯度信息学习要学习的内容
摘要。今天的深度学习方法着重于如何设计目标函数以使预测尽可能接近目标。同时，必须设计适当的神经网络体系结构。现有方法忽略一个事实，即当输入数据逐层特征转换时，会丢失大量信息。本文深入研究了信息瓶颈和可逆功能的重要问题。我们提出了可编程梯度信息（PGI）的概念，以应对深网所需的各种更改以实现多个目标。PGI可以为目标任务提供完整的输入信息来计算目标函数，以便可以获取可靠的梯度信息以更新网络参数。此外，设计了轻巧的网络体系结构 - 一般有效的层聚合网络（GELAN）。Gelan确认PGI在轻量级模型上取得了卓越的成绩。我们在MS可可对象检测数据集上验证了所提出的Gelan和PGI。结果表明，与基于深度卷积开发的状态方法相比，Gelan仅使用常规召集操作员来实现更好的参数利用。PGI可用于从轻量级到大型的各种型号。它可用于获取完整的信息，因此，与使用大型数据集进行预训练的最新模型可以实现训练范围的模型，比较结果如图1。源代码在https://github.com/wongkinyiu/yolov9上发布。
通过瓦斯坦斯坦空间中的近端梯度下降
基于流量的生成模型在计算数据生成和可能性方面具有某些优势，并且最近显示出具有竞争性的经验性能。与基于基于分数的扩散模型的累积理论研究，基于流的模型的分析，这些模型在正向（数据到噪声）和反向（噪声到数据）方向上都是确定性的，这仍然很少。在本文中，我们提供了一种理论保证，即通过渐进流模型，即所谓的JKO流程模型生成数据分布，该模型在正常化的流网络中实现了Jordan-Kinderleherer-Otto（JKO）方案。利用在瓦斯斯坦空间中近端梯度下降（GD）的指数收敛性，我们证明了kullback-leibler（KL）通过JKO流量模型（ε2）为O（ε2）保证数据生成数据时，当使用n log（1 /ε）许多jko步骤（1 /ε）许多JKO步骤（n残基块）中，prowter strorder in Flow pronder in prift stry stred step step step erry是ε在ε是ε在ε中均为ε。对数据密度的假设仅仅是有限的第二时刻，该理论扩展到无密度的数据分布以及在反向过程中存在反转误差的情况下，我们获得了KL-W 2混合错误保证。证明，JKO型W 2-proximal GD的非反应收敛速率已被证明是一类凸目标函数的一类凸出物质功能，该函数包括KL差异作为一种特殊情况，可以具有独立的利益。分析框架可以扩展到应用于基于流的生成模型的其他一阶瓦斯汀优化方案。
使用非局部性应变梯度弹性理论>
摘要本文研究了使用石墨烯血小板（GPL）增强泡沫核心和磁性电动弹性（MEE）表面层使用正弦曲线上阶剪切剪切剪切剪切剪切剪切理论（Shssdt）的智能砂纳米板中弯曲，纵向和剪切波的传播。建议的纳米板由位于MEE表面层之间的Ti -6al -4V泡沫芯组成。MEE表面层是由钴铁岩（COFE 2 O 4）和丁烷（Batio 3）的体积组合组合的。泡沫芯和MEE面部层的材料特征取决于温度。在这项研究中，考虑了三种不同的核心类型：金属固体核（类型I），GPL增强固体核心（类型-II）和GPL-辅助泡沫核心（III型）以及三个不同的泡沫分布：对称性foam I（S-FOAM I（S-FOAM I（S-FOAM I），Sy-FOAM I（S-FOAM I），Symmetrical FOAM II（S-FOAM II（S-FOAM II II）和UN-FOAM II（UN-FOAM）。使用纳米板的运动方程并确定了系统的响应，汉密尔顿的原理和Navier的方法被采用。通过分析计算研究了各种参数，例如波数，非局部参数，泡沫空隙系数和分布模式，GPL体积分数，GPL体积分数以及热，电和磁性电荷对相位速度和波频频率进行了分析计算研究。研究的发现表明，夹层纳米板的3-D波传播特性可以对外部载荷和材料参数进行大量修改或调整。因此，预计所提出的三明治结构将为雷达隐形应用提供重要贡献，保护纳米电机力学设备免受高频和温度环境的影响，智能纳米电机力学传感器的进步，其特征在于轻质和温度灵敏度以及可穿戴设备的应用。
CSF中的 NFL浓度是衰老和亨廷顿氏病神经退行性率的定量标记：基于半机械模型的分析 自动化核图分析，用于早期检测遗传和神经退行性疾病：一种混合机器学习方法 社论：海拔梯度的土壤微生物 用延迟差分分析解码想象的语音 线粒体展开的蛋白质反应（UPRMT） 免疫的概述和单臂荟萃分析 - trail及其心脏疾病的受体
脑脊液（CSF）和血浆中神经素制轻链（NFL）的浓度已成为许多神经退行性疾病的关键生物标志物，包括亨廷顿氏病（HD）。然而，CSF中NFL浓度的动力学与神经变性（全脑萎缩）的时间顺序之间的关系尚未以定量和机械的方式描述。在这里，我们提出了一种新型的半机械模型，该模型假定进入CSF的NFL量对应于受损神经元释放的NFL量，其退化导致大脑体积的减少。在数学术语中，该模型以脑组织的NFL浓度，整个大脑体积的变化率和CSF流量率表示了CSF的NFL浓度。为了测试我们的模型，我们使用了非线性混合效应方法来分析HD-CSF研究的NFL和大脑量数据，这是对具有前命中率HD，明显HD和健康对照的个体的24个月前瞻性研究。从MRI获得的整个大脑体积的时间顺序以二阶多项式在经验上表示，从中计算出其变化速率。CSF流量率是从最近的文献数据中获取的。 通过估计脑组织中的NFL浓度，该模型成功地描述了HD受试者和健康对照中CSF中NFL浓度的时间顺序。 此外，大脑中NFL浓度的模型衍生的估计值与最近的直接实验测量非常吻合。 讨论了我们的半机械NFL模型在其他神经退行性疾病中的应用。CSF流量率是从最近的文献数据中获取的。通过估计脑组织中的NFL浓度，该模型成功地描述了HD受试者和健康对照中CSF中NFL浓度的时间顺序。此外，大脑中NFL浓度的模型衍生的估计值与最近的直接实验测量非常吻合。讨论了我们的半机械NFL模型在其他神经退行性疾病中的应用。我们模型与NFL和脑量数据的一致性表明，CSF中的NFL浓度反映了神经变性的速率而不是范围，而NFL浓度随时间的增加是衡量与老化和HD相关的神经变性速率加速的量度。对于HD受试者，发现加速度的程度显着增加，其HTT基因上的CAG重复次数。对于HD受试者，发现加速度的程度显着增加，其HTT基因上的CAG重复次数。
基于梯度的深钢筋学习解释方法
摘要摘要摘要：摘要：DQN之类的深强化学习方法的学习过程和工作机制不透明，并且无法感知其决策基础和可靠性，这使该模型的决策高度可疑，并且极大地限制了深入强化学习的应用程序场景。要解释智能代理的决策机制，本文提出了基于梯度的显着性图生成算法SMGG。它使用高级卷积层生成的特征图的梯度信息来计算不同特征地图的重要性。使用模型的已知结构和内部参数，从模型的最后一层开始，通过计算特征映射的梯度来生成不同特征地图相对于显着性图的重量。它列出了在正方向和负面方向上特征的重要性，并使用具有积极影响的权重来加重功能图中捕获的特征，从而形成了当前决策的积极解释；它使用对其他类别产生负面影响的权重来对特征映射中捕获的特征进行加权，从而形成了当前决策的反向解释。决策的显着性图是由两者共同生成的，并且获得了智能代理的决策行为的基础。通过实验证明了该方法的有效性。
使用变分自编码器增强梯度提升算法进行不平衡岩爆评估及其可解释性
我们开展了一项研究来评估梯度提升算法在岩爆评估中的潜力和稳健性，建立了一个变分自动编码器（VAE）来解决岩爆数据集的不平衡问题，并提出了一种针对基于树的集成学习的多级可解释人工智能（XAI）。我们从现实世界的岩爆记录中收集了537个数据，并选择了四个导致岩爆发生的关键特征。首先，我们使用数据可视化来深入了解数据的结构，并进行相关性分析以探索数据分布和特征关系。然后，我们建立了一个VAE模型来为由于类别分布不平衡而产生的少数类生成样本。结合VAE，我们比较和评估了六种最先进的集成模型，包括梯度提升算法和经典逻辑回归模型，用于岩爆预测。结果表明，梯度提升算法优于经典的单一模型，而 VAE 分类器优于原始分类器，其中 VAE-NGBoost 模型的结果最为理想。与针对不平衡数据集结合 NGBoost 的其他重采样方法（例如合成少数族群过采样技术 (SMOTE)、SMOTE 编辑最近邻 (SMOTE-ENN) 和 SMOTE-tomek 链接 (SMOTE-Tomek)）相比，VAE-NGBoost 模型的效果最佳。最后，我们使用特征灵敏度分析、Tree Shapley 附加解释 (Tree SHAP) 和 Anchor 开发了一个多级 XAI 模型，以深入探索 VAE-NGBoost 的决策机制，进一步增强基于树的集成模型在预测岩爆发生方面的可靠性。
分散的自然政策梯度，降低了协作多代理增强学习的差异
本文研究了一个政策优化问题，这是由协作多代理强化学习在分散的环境中引起的，在该环境中，代理商通过无方向的图表与邻居进行交流，以最大程度地提高其累积奖励的总和。提出了一种新型的分散自然政策梯度方法，称为基于动量的分散自然政策梯度（MDNPG），提出了该方法，它结合了自然梯度，基于动量的方差降低，并梯度跟踪到分散的体积梯度梯度梯度上升框架中。MDNPG的O（n -1 ϵ -3）样品复杂性，以收敛到一个定位点，已建立在标准假设下，其中N是代理的数量。表明MDNPG可以实现分散策略梯度方法的最佳收敛率，并且与集中式优化方法相比，具有线性加速。此外，MDNPG的出色经验性能超过了其他最先进的算法。
印度瘦糖尿病的社会经济梯度
糖尿病是全球公共卫生挑战，尤其是在印度，影响了数百万。在糖尿病患者中，瘦肉2型糖尿病是一种严重的亚型，具有较高的微血管复合风险。虽然越来越多地提供了有关糖尿病的患病率，变异和危险因素的研究，但对印度瘦糖尿病的患病率，差异和社会经济差异的研究有限。这项研究使用了NFHS-5微型数据，瘦糖尿病定义为BMI水平低于25的BMI和随机血糖左右的糖尿病，而糖尿病的糖尿病为200多个或糖尿病药物。对描述性和多元分析进行了调整，以了解瘦糖尿病的变化和相关因素。使用浓度曲线和浓度指数测量社会经济差异。这项研究揭示了对印度瘦糖尿病的重要见解。8.2％的男性和6.0％的女性血糖水平升高，表明糖尿病负担很大。值得注意的是，2.9％的男性和2.4％的女性被诊断出患有瘦糖尿病。在2型糖尿病患者中，男性的52.56％和43.57％的女性患有瘦肉2型糖尿病。瘦糖尿病的患病率从最贫穷的五分之一到最富有的1.1％不等。与最富有的五分之一相比，最贫穷的五分五五型糖尿病的几率为6.7。男性瘦肉2型糖尿病的浓度指数为-0.42，女性为-0.39，这表明对较低的社会经济群体产生了比例的影响。这项研究促进了我们对印度社会经济因素与瘦小型脱节之间复杂相互作用的理解。要解决较低的社会经济阶层中瘦糖尿病的负担上升，决策者和医疗保健专业人员必须优先考虑倡议，以增强健康保健，促进健康的生活方式并确保有效的糖尿病管理。通过解决社会经济差异并实施脆弱人群的干预措施，印度可以降低与糖尿病相关的死亡率并增强其公民的整体健康状况。