XiaoMi-AI文件搜索系统
World File Search System确定性
减少具有紧急限制的气候预测中的不确定性：概念，示例和前景
hal是一个多学科的开放访问档案，用于存款和传播科学研究文件，无论它们是否已发表。这些文件可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
不确定性下的轨迹计划的连续时间最佳控制
摘要。本文提出了连续的时间最佳控制框架 - 在不确定性驱动方案中生成参考轨迹的工作。先前的工作[1]提出了一个自动驾驶汽车的离散时间随机代理。这些结果扩展到连续的时间，以确保在实时设置中发电机的鲁棒性。我们表明，连续时间的随机模型可以通过产生更好的结果来捕获信息的不确定性，从而限制了与离散方法相比，违反问题限制的风险。动态求解器提供更快的计算，而连续的时间模型比离散时间模型更适合多种多样的驾驶场景，因为它可以处理进一步的时间范围，这可以在城市驾驶场景的框架之外进行轨迹计划。
不确定性减少控制器的正式合成
上下文。来自经济和社会各个部门的基本服务依赖于复杂软件密集型系统的有效运行。这些系统范围从运行关键业务应用程序的复杂道路管理软件和公共云到制造业的网络物理系统。通常，它们用于现实世界中的应用程序中，其特征在于与环境变化，组件故障，测量不准确性和用户操作相关的高水平不确定性。为了在这种情况下提供其所需的功能，软件密集型系统需要通过自我适应来“驯服”这种不确定性。自我适应是一个过程，涉及使用封闭控制循环来监视系统及其环境，以进行相关更改，分析这些变化的影响，以计划适应更改的系统适应性，并执行（即实施）这些适应。使用此类Monitor-Analyse-Plan-Execute（或“ MAPE”）控制循环的软件密集型系统称为自适应系统（SAS）。
表观遗传时钟的不确定性定量通过共形分位数回归
表观遗传年龄预测因子是Horvath的表观遗传钟1，这是一个统计预测模型，在353 CpG位点使用DNAM至1个预测年龄。2种训练表观遗传时钟的标准方法涉及几个关键步骤：（i）从具有不同背景的个体3个个体的生物样本中收集生物样本； （ii）提取DNA并进行DNA甲基化分析； （iii）进行数据预处理4个程序，例如缺少数据插补，离群值删除和数据归一化； （iv）采用特征筛选方法5来识别相关的CPG站点，这些位点可预测年龄或与衰老过程相关； （v）将高维6回归模型与弹性净罚款拟合； （vi）在独立的测试数据集上评估模型性能，以验证其7个准确性和鲁棒性。8尽管有完善的构造表观遗传时钟的管道，但其中大多数仅提供点平均预测1,2,5。9
(G*) 置换不变自旋系综中任意状态的确定性构造
原子和固态自旋集合是有前途的量子技术平台，但实际架构无法解析单个自旋。不可解析的自旋集合的状态必须遵循置换不变性条件，但目前尚不清楚生成一般置换不变 (PI) 状态的方法。在这项工作中，我们开发了一种系统策略来生成任意 PI 状态。我们的协议首先涉及用工程耗散填充特定的有效角动量状态，然后通过改进的 Law-Eberly 方案创建叠加。我们说明了如何通过现实的能级结构和相互作用来设计所需的耗散。我们还讨论了可能限制实际状态生成效率的情况，并提出了脉冲耗散策略来解决这些问题。我们的协议解锁了以前无法访问的自旋集合状态，这可能有利于量子技术，例如更强大的量子存储器。
超越体素预测的不确定性：识别值得信赖的脑损伤
摘要。深度神经网络已成为自动分割 3D 医学图像的黄金标准方法。然而，由于缺乏对提供的结果进行可理解的不确定性评估，临床医生仍然无法完全接受它们。大多数量化不确定性的方法，例如流行的蒙特卡罗 dropout，都限制了体素级预测的某种不确定性。除了与真正的医学不确定性没有明确的联系外，这在临床上也不令人满意，因为大多数感兴趣的对象（例如脑病变）都是由体素组组成的，而体素组的整体相关性可能不会简单地归结为它们各自不确定性的总和或平均值。在这项工作中，我们建议使用创新的图形神经网络方法超越体素评估，该方法由蒙特卡罗 dropout 模型的输出训练而成。该网络允许融合三个体素不确定性估计量：熵、方差和模型置信度；并且可以应用于任何病变，无论其形状或大小如何。我们证明了我们的方法在多发性硬化症病变分割任务中的不确定性估计的优越性。
不确定性下的旅行送货员问题
摘要在近年来，供应链优化已成为运营研究的主要主题。从计算和NAL溶液质量的角度概述了巨大的extline方法。但是，除了最佳之外，供应链的一个主要需求是不可思议的和对干扰的适应性。这项研究工作的目的是针对能够利用确定性和随机质量指数的详尽程序进行彻底的程序。然后选择了传送人问题作为案例研究，因为它代表了最基本的操作研究问题。基于单位操作的主要评估方法的适应，可提供良好的结果并允许正确识别批判性。此外，它证明，根据预期的偏差性质，在数百万个可能的替代方案中，最佳解决方案被认为是有限的子集。那么，在将来的研究中，值得扩展到更复杂的系统。
分析流程中的数值不确定性导致大脑网络产生重大变化
脑成像数据的分析需要复杂的处理流程来支持有关脑功能或病理的发现。最近的研究表明，分析决策的变化、少量噪音或计算环境可能会导致结果的巨大差异，从而危及结论的可信度。我们通过使用蒙特卡罗算法引入随机噪声来检测结果的不稳定性。我们评估了连接组的可靠性、其特征的稳健性以及对分析的最终影响。结果的稳定性范围从完全稳定（即所有数据位都有效）到高度不稳定（即 0-1 个有效数字）。本文强调了利用大脑连接估计中诱导的方差来减少网络偏差的潜力，同时不影响可靠性，同时提高其在个体差异分类中的应用的稳健性和潜在上限。我们证明，稳定性评估对于理解脑成像实验固有的误差是必要的，以及如何将数值分析应用于脑成像和其他计算科学领域的典型分析工作流程，因为所使用的技术与数据和上下文无关，并且具有全局相关性。总体而言，虽然由于分析不稳定性导致的结果极端多变可能会严重妨碍我们对大脑组织的理解，但它也为我们提供了提高研究结果稳健性的机会。
通过使用合成小分子来区分癌症干细胞：针对治疗耐药性的新治疗策略 新加坡的新经济地理 欧洲对非侵入性大脑刺激的重新分类为III类医疗设备：行动呼吁 编队的现实路线图，飞行空间干涉法 LEO卫星成像，具有自适应光学和边缘化的盲卷积 澳大利亚经济不确定性冲击的工业影响 透明加热器：评论 使用大规模扩展Granger因果关系从功能性MRI分类 数字足迹的关键方法研究城市旅游区的空间实践：Biarritz（法国）Instagram数据的案例研究
新加坡是在整个大英帝国发展的广泛交易路线网络中成立的。该定居点的价值在于在欧洲/印度，中国和马来群岛之间的高度战略地位，这是在这些地理子系统中运营的商品和商人最方便的十字路口，而在亚洲荷兰人与英国之间的地理政治相互作用的背景下。的确，它的位置是新加坡增长的唯一资源（Huff 1997，7）。在19世纪初期的特定贸易和地理政治模式中，地理位置的早期优势非常重要，并以自由港口地位的补充，促进了新加坡作为大英帝国和亚洲贸易的主要群体的增长。