XiaoMi-AI文件搜索系统
World File Search System概率
概率脉冲神经元网络——计算机时代的神经数学
本书介绍并研究了一类生物神经网络的随机模型。生物神经网络是一个具有大量相互作用的组成部分（神经元）的系统。每个神经元的活动都用一个点过程表示，即神经元发出动作电位（也称为脉冲）的连续时间。一般认为，脉冲活动是系统编码和传输信息的方式。我们对大脑皮层工作原理的大部分理解都源于对点过程的实际观察数据。神经生理学家通过平均或聚合来分析这些数据，构建了所谓的刺激周围时间直方图（46）。据我们所知，（50）是第一个估计脉冲时间序列强度的人，即使他没有使用数学框架，顺便说一句，数学框架当时还不存在。 (46) 即使不使用术语，也清楚地将数据以数学形式表示为点过程的实现。点过程形式主义的明确使用将在 (25) 一书中出现。我们认为，脉冲序列系统的现代统计研究始于 70 年代的 Brillinger（例如，参见 (11) 和 (13)）。点过程是时间点的随机序列。确实有生物学证据表明，神经元的脉冲活动本质上是随机的。按照 Brillinger 的说法，在我们的模型中，给定神经元的脉冲概率是其膜电位的函数。膜电位可以粗略地定义为一组相邻神经元（称为突触前神经元）的整体活动之和。当神经元脉冲时，其膜电位被重置为平衡电位。同时，如果受到影响，则神经元集会经历膜电位
在神经网络上作为无限树结构概率图形模型
深神经网络（DNNS）缺乏对概率图形模型（PGM）的精确语义和确定性的概率解释。在本文中，我们通过构造与神经网络完全相对应的无限树结构的PGM提出了创新的解决方案。我们的研究表明，在正向传播过程中，DNN确实执行了PGM推断的近似值，在这种替代PGM结构中是精确的。我们的研究不仅补充了将神经网络描述为内核机器或无限大小的高斯过程的现有研究，而且还阐明了DNNS对PGMS的精确推断进行更直接的近似。潜在的好处包括改进的教学法和DNN的解释以及可以合并PGM和DNN优势的算法。
纠缠？弗里德·纳克的概率与量子计算艺术研究
我们感兴趣的是算法部分。自诞生以来，算法已经取得了长足的发展，尤其是 Shor 和 Grover 的著名算法 [26]。21 世纪初，研究人员提出了一些有趣的尝试，用于开发计算机图形学和 3D 渲染中的量子算法。Andrew Glassner [18][19][20]、Marco Lanzagorta [21] 和 Simona Caraiman [14][15] 就是这样提出了第一个用于 3D 创作的量子算法。这些工作是实验性的。据我们所知，结果并不令人满意。然而，用量子计算创建图像的想法诞生了。与此同时，第一批量子艺术家或“研究艺术家”开始创作第一批量子作品。很难说谁是真正的第一批，因为有些人只是使用这个概念来创作作品，而其他人真的开始使用量子语言
概率
线性覆盖时间不太可能。。。。。。。q uentin d ubroff和j eff k ahn 1均匀的树在拓扑多边形，SLE的分区函数（8）以及C = -2对数CFT中的相关性。。。。。。。。。。。。。。。。。。。。。。。。m ingchang l iu，e veliina p eltola和h a a a a a a a a a a a a a a a w u 23通过噪声正规化，用于由高斯粗糙路径驱动的粗糙差分方程式，以及d uboscq 79相关性衰减，用于较弱的brown a rka a rkaiy a rkari和s kyot a的相关性衰变无界域中的正常反射：从瞬态到稳定性。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。m iha brešar，leksandar m ijatovi´ c和ndrew w ade 175溶液在随机热方程中，在临界状态下不会爆炸，而随机热方程未爆炸。。。。。。。。。。。。。。。。。。。。michael s alins 223随机矩阵的自由总和h ong c hang j j i和j aeewhi p ark 239一种确定点过程方法的缩放和局部限制随机幼小tableaux的确定点过程方法。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。j acopo b orga，cédricBoutillier，v alentinféray和p ierre -loïcMéliot299 A超级偏见的当地时代的随机微分方程
ZEGA 高概率期权策略 - 保守型
ZEGA Investments 是一家注册投资顾问和投资经理，专门从事衍生品交易。ZEGA 是一家独立账户经理，本文中表达的所有回报均来自 ZEGA 内部的独立账户业务。高概率期权策略 - 保守组合包括所有机构和零售投资组合，这些投资组合在整个投资组合中部署了深度价外信用利差。该策略以价外执行价为目标，通过寻找比其他先前 HiPOS 策略部署的先前交易更价外的执行价，通常可以产生 1% 的目标回报。该策略旨在提供与大盘无关的风险调整回报。快速下跌的市场通常会对该策略的信用看跌价差产生负面影响。该组合包括至少 70% 专用于该策略的所有投资组合。基准是芝加哥期权交易所看跌期权指数。 CBOE 看跌期权指数是一种衡量假设投资组合表现的指数，该投资组合出售标准普尔 500 指数 (SPX) 看跌期权，以换取货币市场账户中持有的抵押现金储备。ZEGA Investments 声称遵守全球投资业绩标准 (GIPS)。如需获取 ZEGA Investments 综合描述的完整列表和/或演示文稿，请联系 Jay Pestrichelli，电话：1-800-380-9342，分机 101，或发送电子邮件至 jay.pestrichelli@zegainvestments.com。所有投资都涉及潜在投资损失的风险以及投资收益的可能性。先前的表现并不能保证未来的结果，并且不能保证，客户不应假设任何模型投资组合的未来表现将与过去的表现相当。这些结果不应被视为顾问技能的指标。此处显示的先前表现数据仅代表投资组合在短时间内的表现，可能并不代表每个投资组合在长期内将产生的回报或波动性。所呈现的业绩还应结合业绩信息所涵盖期间的广泛市场和一般经济状况来看待。可比期间的实际结果也会因个人客户账户存款和取款时间的不同而与所呈现的结果有所不同。本文所包含的业绩数据应结合资产配置策略师在开发其模型投资组合时所使用的各种风险/回报状况和资产配置方法来看，并且应与模型一起提供或先于模型提供。标准差是衡量一组数据与其平均值的离散程度的指标。数据越分散，偏差越大。在金融领域，标准差应用于投资的年回报率，以衡量投资的波动性。
使用通过进化枝概率参数的树分布进行精确的贝叶斯系统发育点估计
使用MCMC算法的贝叶斯系统发育分析产生了以系统发育树和相关参数样本形式的系统发育树的poserior分布。树空间的高维度和非欧几里得性质使总结树空间中后验分布的核心趋势和方差复杂。在这里，我们介绍了一个可从树的后部样本构建的可构造的新的树木分布和相关的点估计器。通过模拟研究，我们表明，这一点估计器的性能也至少要比产生贝叶斯后摘要树的标准方法更好。我们还表明，执行最佳的摘要方法取决于样本量和以非平凡的方式的尺寸 - 问题。
概率预测负载，太阳能和风的电价预测
摘要 - 电气价格预测是电力系统有效运行和支持市场参与者明智的决策的关键工具。本文探讨了一种新的方法，旨在通过结合基本变量的概率投入来提高电价预测的准确性。传统方法通常依赖于外源变量的点预测，例如负载，太阳能和风产生。我们的方法提出了这些基本变量的分位数预测的整合，提供了一组新的外源变量，这些变量可以解释不确定性的更全面表示。我们使用最新数据对德国电力市场进行了经验测试，以评估这种方法的有效性。调查结果表明，对负载和可再生能源产生的概率预测显着提高了电价点预测的准确性。此外，结果清楚地表明，通过完整的概率预测信息，可以实现预测准确性的最高提高。这凸显了概率预测在研究和实践中的重要性，尤其是在报告负载，风能和太阳预测中的最新目前是不足的。
从概率幅度计算量子力学演化的复杂性
编辑：Hubert Saleur 我们研究在配备 Fubini-Study 度量的 Bloch 球面上连接任意源状态和目标状态的时间最优和时间次优量子哈密顿演化的复杂性。这项研究分多个步骤进行。首先，我们通过路径长度、测地线效率、速度效率和连接源状态和目标状态的相应动态轨迹的曲率系数来描述每个幺正薛定谔量子演化。其次，从经典的概率设置开始，在仅对系统物理有部分了解的情况下，可以使用所谓的信息几何复杂性来描述弯曲统计流形上熵运动的复杂性，然后我们过渡到确定性量子设置。在这种情况下，在提出量子演化的复杂性定义之后，我们提出了量子复杂性长度尺度的概念。具体来说，我们讨论了这两个量的物理意义，即布洛赫球面上指定从源状态到目标状态的量子力学演化的区域的可访问（即部分）和可访问（即全部）参数体积。第三，在计算了两个量子演化的复杂性测量和复杂性长度尺度之后，我们将我们的测量行为与路径长度、测地线效率、速度效率和曲率系数的行为进行比较。我们发现，一般来说，高效的量子演化比低效的演化复杂度要低。然而，我们还观察到复杂性不仅仅是长度。事实上，弯曲程度足够的长路径可以表现出比曲率系数较小的短路径更简单的行为。
建筑能源系统的概率预测
概率时间序列预测在一系列现实世界中（例如能量系统）中起着至关重要的作用，尤其是基于置信区间或基于随机模型的预测性控制的异常检测的预测模型。当难以获得准确且可拖延的第一原理模型（例如，基于物理学的模型）时，深度预测模型特别有用。因此，最近的发展集中在深度学习方法上，这些方法可以从历史数据中识别出模式并提供预测。 C.F.d eep ar [18]，n-beats [15]和时间融合变压器（TFT）[13]。虽然深度学习方法可以产生准确的时间序列预测[16]，但它们通常也会产生不可靠的预测，有时甚至与传统的统计模型（如季节性ARIMA或经典MLP）相比，甚至表现不佳[10]。此外，对于小型数据集，这些方法容易出现过度拟合或模式崩溃[7，14]。