XiaoMi-AI文件搜索系统
World File Search System稳健性
增强数字阴影的稳健性，用于使用增强岩石物理建模的二氧化碳存储监控
摘要。引入了一种用于建模肿瘤生长的新计算工具肿瘤生长。该工具允许比较标准教科书模型，例如一般的Bertalan效和Gom-Pertz，以及一些较新的模型，包括第一次是神经ODE模型。作为一种应用，我们在接受两种不同治疗方案的患者中重新审视非小细胞肺癌和膀胱癌病变的人类元研究，以确定先前报道的性能差异在统计学上是否显着，并且是否更新，更复杂的模型更为复杂。在至少四个时间体积测量的示例中，可以进行校准，平均约为6.3，我们的主要结论是，普通的bertalan杀性模型平均具有较高的性能。但是，如果有更多测量值可用，我们认为能够捕获反弹和复发行为的更复杂的模型可能是更好的选择。
温室气体核算体系应充分认识到终端市场工具的稳健性
我们理解并赞赏温室气体核算体系正在修订其标准，以期明确使用基于市场的方法。在修订过程中，必须提供确定性并制定规则：基于先前指导的临时声明应明确指出，修订过程结束时将承认基于市场的工具。自前范围 2 指导附件撤回以来，市场参与者缺乏一个让他们确定投资的框架，而 2023 年 8 月的“生物甲烷证书核算临时更新”并未提供明确的指导。
![正交表示用于估计因果量的学习
生成的AI和创造性工作：叙事，价值观和影响
triffid：提高第一响应者效率的自动机器人辅助
微守流：边缘设备的复杂性自我注意力低的视觉变压器
covid- ... 之间的不可思议和争议性溢出
arxiv：2502.10437v1 [q-bio.pe] 2025年2月9日
对表示漏洞和工程强大的视觉变形金刚的机械理解
arxiv：2502.05610v1 [CS.CL] 2025年2月8日
Goproteingnn：利用蛋白质知识图蛋白表示学习
台式4Merge：综合基准，用于合并逼真的密集交通与微交互式车辆
arxiv：2502.08704v1 [cond-mat.supr-con] 2025年2月12日
机器人引发的久坐行为的社会控制
增强数字阴影的稳健性，用于使用增强岩石物理建模的二氧化碳存储监控
arxiv：2502.07964v1 [cs.lg] 2025年2月11日
对石墨烯中振荡大声电效应的相干检测
arxiv：2502.09316v1 [CS.CL] 2025年2月13日
将基于物理的建模与锂离子电池的机器学习相结合
Trellis BMA：DNA存储的IDS通道上的编码跟踪重建
arxiv：2502.07650v1 [stat.ml] 2025年2月11日
与Soc- ... 的多间隔能量储备合作](/simg/3/371e53cea55d57b21dc3cec4490fd2d843578c28.webp)
正交表示用于估计因果量的学习 生成的AI和创造性工作：叙事，价值观和影响 triffid：提高第一响应者效率的自动机器人辅助 微守流：边缘设备的复杂性自我注意力低的视觉变压器 covid- ... 之间的不可思议和争议性溢出 arxiv：2502.10437v1 [q-bio.pe] 2025年2月9日 对表示漏洞和工程强大的视觉变形金刚的机械理解 arxiv：2502.05610v1 [CS.CL] 2025年2月8日 Goproteingnn：利用蛋白质知识图蛋白表示学习 台式4Merge：综合基准，用于合并逼真的密集交通与微交互式车辆 arxiv：2502.08704v1 [cond-mat.supr-con] 2025年2月12日 机器人引发的久坐行为的社会控制 增强数字阴影的稳健性，用于使用增强岩石物理建模的二氧化碳存储监控 arxiv：2502.07964v1 [cs.lg] 2025年2月11日 对石墨烯中振荡大声电效应的相干检测 arxiv：2502.09316v1 [CS.CL] 2025年2月13日 将基于物理的建模与锂离子电池的机器学习相结合 Trellis BMA：DNA存储的IDS通道上的编码跟踪重建 arxiv：2502.07650v1 [stat.ml] 2025年2月11日 与Soc- ... 的多间隔能量储备合作
表示学习被广泛用于观察数据的因果量（例如，有条件的平均治疗效应）。尽管现有的表示学习方法具有允许端到端学习的好处，但他们没有Neyman-Ottrol-ottrodenal学习者的理论特性，例如Double Ro-Busberness和Quasi-Oracle效率。此外，这种表示的学习方法通常采用诸如平衡之类的规范约束，甚至可能导致估计不一致。在本文中，我们提出了一类新型的Neyman-Ottrodonal学习者，以在代表水平上定义的因果数量，我们称之为或称为校友。我们的旅行者具有几个实际的优势：它们允许基于任何学习的表示形式对因果量进行一致的估计，同时提供了有利的理论属性，包括双重鲁棒性和准门的效率。在多个实验中，我们表明，在某些规律性条件下，我们的或学习者改善了现有的表示学习方法并实现最先进的绩效。据我们所知，我们的或学习者是第一批提供代表学习方法的统一框架，而Neyman-ottrol-ottrodenal学习者进行因果量估计。
量子能量隐形传态中量子关联的稳健性
在本文中，我们探索了不同量子场论 (QFT) 中的反馈控制协议，以研究量子系统非幺正演化中的量子关联。传统的 QFT 研究侧重于幺正演化下纯态的量子纠缠，然而，我们使用量子能量隐形传态 (QET)（一种利用基态纠缠的能量传输协议）来研究混合态中的量子关联，并引入量子不和谐作为度量。QET 涉及中间电路测量，这会破坏纯态纠缠。尽管如此，我们的分析表明，量子不和谐在整个 QET 过程中保持关联。我们使用包括 Nambu-Jona-Lasinio (NJL) 模型在内的基准模型进行了数值分析，揭示了量子不和谐始终充当相变的序参数。该模型被扩展为同时具有手性化学势和化学势，这对于研究模拟与手性密度算子耦合的左夸克和右夸克之间的手性不平衡的相结构很有用。在我们研究的所有情况下，量子不和谐都表现为相变的序参数。
基于对齐的对抗训练 (ABAT) 可提高基于 EEG 的 BCI 的稳健性和准确性
摘要 — 机器学习在基于脑电图 (EEG) 的脑机接口 (BCI) 中取得了巨大成功。现有的大多数 BCI 研究都侧重于提高解码精度，只有少数研究考虑了对抗安全性。尽管在计算机视觉等其他应用领域已经提出了许多对抗性防御方法，但先前的研究表明，将它们直接扩展到 BCI 会降低良性样本的分类精度。这种现象极大地影响了对抗性防御方法对基于 EEG 的 BCI 的适用性。为了缓解这个问题，我们提出了基于对齐的对抗性训练 (ABAT)，它在对抗性训练之前执行 EEG 数据对齐。数据对齐将来自不同领域的 EEG 试验对齐以减少它们的分布差异，而对抗性训练进一步增强了分类边界的鲁棒性。数据对齐和对抗性训练的结合可以使训练后的 EEG 分类器同时更准确、更鲁棒。在两种不同的 BCI 范式（运动想象分类和事件相关电位识别）的五个 EEG 数据集、三个卷积神经网络分类器（EEGNet、ShallowCNN 和 DeepCNN）和三种不同的实验设置（离线受试者内跨块/会话分类、在线跨会话分类和预训练分类器）上进行的实验证明了其有效性。非常有趣的是，通常用于破坏 BCI 系统的对抗性攻击可以在 ABAT 中使用，以同时提高模型准确性和鲁棒性。
MEMS 元件高级稳健性验证和可靠性评估 (ARRA) 手册
适用于压力传感器和麦克风。对于其他 MEMS 设备，如第 2.1 节所示，适用 B 级，因为可能需要进行设备特定的鉴定测试（例如微镜设备的辐射应力测试）。第 1.4 节解释了 AEC Q10x 和 ARRA 理念之间的区别。第 2 章总结了本文档范围内的不同类型的 MEMS 设备，以及 MEMS 设备与标准固态半导体设备之间的界限，这些界限在 [8] 中进行了讨论。第 3 章详细解释了每个 ARRA 级别的内容、实现此级别的必要步骤和可交付给客户的产品，以及关键的零缺陷方法和确定 MEMS 稳健性裕度的方法。附录包含客户与供应商之间交换任务概况的表格、MEMS 设备的标准化温度和振动任务概况以及示例最佳实践知识矩阵。
基于软件和硬件技术的神经计算机接口人工智能算法的稳健性
摘要 本文主要研究利用信息技术进行脑机交互，利用脑电图（EEG）信号检测大脑活动模式。在实验中，我们使用了机器学习方法，即以下分类器：Bagging、Boosting、Nearest Neighbors 和 Support Vector。实验从手指运动任务期间对 EEG 信号的真实观察开始。我们使用 10 倍交叉验证来评估每个分类器的性能，包括准确性和稳健性。结果发现，支持向量分类器在分类器中表现出最高的稳定性。实验的主要目标是确定分类器的稳健性的重要性，特别是在医疗应用中。总之，该实验有助于脑机交互领域的发展以及在医疗保健和其他地方具有实际应用的稳健神经接口技术的开发。
Savannah Energy 首席执行官 Andrew Knott 表示：“2023 年清楚地证明了我们的商业模式、企业产能和企业基础设施的稳健性
在开始第一部分之前，我想先提请大家注意今年年报中的三篇重要文章。第一篇文章位于第 10 至 19 页，描述了“我们为什么做我们所做的事情”，我们在其中讨论了我们的企业宗旨以及支撑我们战略和商业模式的相关核心信念。我坚信，对于任何想要了解我们公司的人来说，这一部分都是必读内容。第二篇文章位于第 27 至 31 页，由牛津大学布拉瓦尼克政府学院和经济系经济政策教授兼牛津大学非洲经济研究中心主任 Stefan Dercon 教授撰写，讨论了“私人投资者与增长和发展赌博”，借鉴了他最近出版的著作《发展赌博；为什么有些国家赢而其他国家输》中的主题。第三篇文章在第 32 至 37 页，作者是约翰·诺伯格，他是一位作家、讲师、纪录片制片人，也是华盛顿特区卡托研究所的高级研究员，文章重点探讨了资本主义和自由市场对非洲经济增长的重要性，并根据他在最近的著作《资本主义宣言：为什么全球自由市场将拯救世界》中提出的论点。我们非常感谢两位杰出的客座作者的贡献。
突变稳健性和缓冲基因在进化中的作用
生物体依靠突变来促进适应性进化。然而，许多突变会对适应性产生负面影响。因此，细胞可能进化出了影响突变表型效应的机制，从而赋予了突变稳健性。具体来说，所谓的缓冲基因被认为直接或间接地与遗传变异相互作用并降低其对适应性的影响。环境或遗传扰动可以改变缓冲基因和遗传变异之间的相互作用，从而揭示遗传变异的表型效应，从而为自然选择提供变异来源。本综述概述了我们对突变稳健性和缓冲基因的理解，并以伴侣基因 HSP90 为关键例子。它讨论了缓冲基因是否仅影响现有变异或也与新生突变相互作用，突变稳健性如何影响进化，以及突变稳健性是否可能是一种进化特征，还是仅仅是复杂遗传相互作用的副作用。
噪声攻击下的双胞胎延迟的深层确定性政策梯度算法的稳健性探索
摘要。这项研究重点是探索强化学习算法双胞胎的鲁棒性，延迟了深层确定性的政策梯度（TD3），尤其是在面对不确定性，噪音和钉子的表现方面。强化学习是一种机器学习范式，在该范式中，代理商学习如何执行任务并通过与环境的互动来优化长期奖励。这种学习方法在自动驾驶，游戏，机器人控制等领域具有广泛的应用。TD3是一种高级强化学习算法，在各种复杂的任务和环境中的性能非常出色。此外，TD3具有一些独特的性能优势，例如双Q批评结构和目标策略平滑，这在面对不确定性和噪音时可能会使其强大。虽然对增强学习的鲁棒性进行了广泛的研究，但相对缺乏专门针对TD3的研究。本研究旨在填补这一空白，并研究当添加不同类型的噪声或受到攻击时TD3的性能如何变化。这项研究的目的不仅旨在更深入地了解TD3算法本身，还旨在为增强学习鲁棒性的理论和实践提供强有力的支持。这项研究具有广泛的应用和学术价值，并有可能在强化学习领域推动进一步的进步。