XiaoMi-AI文件搜索系统
World File Search System统计推断
分布自由条件独立性检验及其在因果发现中的应用
本文关注的是条件独立性的检验。我们首先建立条件独立性和相互独立性之间的等价性。基于这种等价性，我们提出了一个指标，通过量化变换变量之间的相互依赖性来衡量条件依赖性。所提出的指标有几个吸引人的特性。（a）它是无分布的，因为所提出的指标的限制零分布不依赖于数据的总体分布。因此，可以通过模拟列出临界值。（b）所提出的指标范围从零到一，当且仅当条件独立性成立时才等于零。因此，它在备选假设下具有非平凡的力量。（c）它对异常值和重尾数据具有鲁棒性，因为它对条件严格单调变换不变。（d）它的计算成本低，因为它包含一个简单的闭式表达式，可以在二次时间内实现。（e）它对涉及计算所提出的指标的调整参数不敏感。 (f) 新指数适用于多变量随机向量以及离散数据。所有这些属性使我们能够将新指数用作各种数据的统计推断工具。通过广泛的模拟和因果发现的实际应用证明了该方法的有效性。
美国接种 COVID-19 疫苗的影响：避免了 SARS-COV-2 相关病例、住院和死亡的负担
截至 2022 年 8 月 1 日，导致 COVID-19 大流行的病毒 SARS-CoV-2 已在美国造成 9000 多万例病例和 100 万人死亡 [1]。虽然这些数字可能受到 SARS-CoV-2 疫苗广泛普及的影响，但疫苗接种对 COVID-19 疾病负担的确切影响尚不确定。在这里，我们使用一个动态模型，结合历史数据、统计推断方法和住院费用，量化美国在疫苗上市后的前约六个月内（当时 SARS-CoV-2 的野生型和 alpha 变体是感染的主要驱动因素）因接种疫苗而避免的感染、住院和死亡的临床和经济负担（累计和个别州）。 2020 年 12 月中旬，美国首个 SARS-CoV-2 疫苗获得紧急使用授权，最初建议医护人员和长期护理机构居民接种，随后建议 65 岁及以上的成年人、16-64 岁患有高危疾病的成年人和必要工作人员接种 [ 2 ]。到 2021 年 4 月初，疫苗接种建议扩大到 16 岁及以上的普通人群。随后，建议 12-15 岁儿童（2021 年 5 月）和 5-11 岁儿童接种疫苗
机器学习理论在降低人工智能风险方面的必要性
近年来，降低人工智能风险已成为人们努力的议题。这些善意的努力源于对人工智能技术快速发展所带来的不确定未来的真正担忧。以目前的形式，这些努力不太可能成功。我们想要证明的是，在我们的社会向广泛使用人工智能技术过渡的过程中，开发深度学习的基本数学理论是管理风险的先决条件。在这种情况下，理论是指遵循物理和工程原理，识别精确的可测量数量并用数学方法描述它们的模式，而不一定证明严格的定理。统计推断和优化理论最近取得了重大进展，这主要得益于神经网络的实证成功，这让我们希望，这样的理论确实是可能实现的，而且触手可及。不可否认，即使是全面的深度学习理论也不能保证在不久的将来成功过渡到人工智能社会。但是，如果我们不具备基本的理解，我们肯定无法控制或防止人工智能系统的滥用，因为它们的行为已经达到或超过了人类行为的复杂性。以前从未有过一项技术在对其基本原理的理解如此之少的情况下得到如此广泛和如此迅速的部署。鉴于快速发展的人工智能对社会的影响，这是一个紧迫而重要的问题。
基于仿真的心血管模型推断
在过去的几十年中，血液动力学模拟量已经稳步发展，并且已成为研究心血管系统中的选择工具。通常使用此类工具从生理参数中模拟全身血液动力学，但解决了将波形映射回到合理的生理参数的相应反问题仍然是诺言和具有挑战性的。受基于仿真推理（SBI）进展的动机，我们将此反问题作为统计推断。与替代方法有关，SBI为互动的参数提供了分布，为单个测量值提供了不确定性的多维表示。我们通过对五个临床兴趣的生物标志物进行近距离的不确定性分析来展示这种能力，并比较了几种测量模态。除了对已知事实的佐证（例如估计心率的可行性）之外，我们的研究突出了从护理标准测量值中估算新生物标志物的潜力。sbi揭示了实际相关的发现，这些发现无法通过标准灵敏度分析来捕获，例如，参数估计表现出不同的不确定性状态的亚种群的存在。最后，我们研究了与模拟波形数据库的体内和silico之间的差距，并批判性地讨论了心血管模拟如何为真实世界数据分析提供信息。
2024-2025 课程手册
生物统计学 BIOS 6310 实用临床研究信息学 3.0 学分。限制：分期和年限提供。本课程为学生提供临床研究信息学的实践经验，涉及电子健康记录 (EHR) 数据的二次使用、临床信息学数据库和工具以及基础临床数据科学，为更高级的信息学或数据科学课程做准备。BIOS 6420 连续临床数据的数据科学和分析 3.0 学分。与 BIOE 5420 交叉列出。限制：分期和年限提供。先决条件：微积分、概率论、线性代数、一些微分方程、生理学、回归和信号处理知识、Matlab、Python 或 R 编程。本课程的核心重点是临床或生物医学环境中收集的数据的生成、建模和分析，重点是时间分析。分析技术将以解决现实世界的临床和生物医学问题为基础。 BIOS 6601 应用生物统计学 I 3.0 学分（夏季、秋季）应用生物统计学方法，包括描述性和统计推断；优势比和相对风险、概率论、参数估计、比较两组或多组统计数据的检验、相关性和线性回归以及概述：多元和逻辑回归和生存分析。
M-Tech 生物医学仪器和信号处理
CO1 能够理解数据挖掘过程中涉及的步骤（例如预处理、分类、回归、聚类和可视化）并将其应用于医疗数据的分析。 CO2 能够描述不同的预测分析方法及其在医疗领域的应用。 CO3 能够评估来自不同来源的数据以创建有意义的演示文稿。 课程内容 使用 Python 进行数据分析：了解数据 - （a）属性、数据的统计描述、数据可视化、相似性 - 不相似性、（b）预处理 - 缺失值、噪声数据、数据缩减、数据转换 - 规范化、标准化、分箱、聚类。 使用 Python 进行应用数学：数学基础 - 线性代数 - 向量、矩阵、特征值、特征向量、奇异值分解、降维、主成分分析、线性变换。概率与统计：随机变量、概率分布、分布函数和属性、离散和连续、统计推断 - 估计和假设检验。机器学习（第 1 部分）：机器学习基础、线性回归和逻辑回归（分类）。（第 2 部分将在下学期的应用机器学习课程中继续）教材 1. Jiawei Han 和 Micheline Kamber 编写的《数据挖掘概念和技术》 2. Rohatgi 和 Saleh 编写的《概率与统计简介》。 3. Christian Albright 和 Wayne Winston 编写的商业分析：数据分析与决策
环境与能源政策博士学位（30学分）
核心要求（15 个学分） SS 5101 能源与气候政策 3 个学分 SS 5300 环境政策 3 个学分 SS 5301 政策过程 3 个学分 SS 5350/4350 政策分析 3 个学分 SS 6002 研究设计（高级 RCR）3 个学分 方法要求（3 个学分；选择一门课程） SS 4211 民族志方法 3 个学分 SS 5003 调查方法 3 个学分 SS 5004 社会统计 3 个学分 SS 5049 研究生 GIS 3 个学分 SS 5050 高级 GIS 方法与项目 3 个学分 MA 4700 概率与统计推断 3 个学分 MA 4710 回归分析 3 个学分 EC 4200 计量经济学 3 个学分 选修课要求（12 个学分） SS 4200 环境人类学 3 学分 SS 4400 环境社会学 3 学分 SS 5010 指导学习（讲师许可）3 学分 SS 5313 可持续性科学 3 学分 SS 5318 公共管理 3 学分 SS 5320 环境政策中的特殊主题 3 学分 SS 5330 能源政策中的高级主题 3 学分 SS 5530 去工业化和城市环境 3 学分 SS 5550 全球环境史 3 学分 EC 5640 自然资源经济学 3 学分 FW 4111 本土资源管理 3 学分
高度适应性拉索：在现实模型中提供有效的非参数推断的机器学习
使用现实世界数据了解治疗对健康相关结果的影响需要定义因果参数并施加相关识别假设，以将其转化为统计估计。半参数方法，例如目标最大似然估计器（TMLE），以构建这些参数的渐近线性估计器。要进一步建立这些估计量的渐近效率，必须满足两个条件：1）数据可能性的相关组成部分必须属于Donsker类，而2）2）滋扰参数的估计值在其真实值的速度上以比N -1 /4更快的速度收敛。高度适应性的拉索（HAL）通过在具有有界分段变化标准的Càdlàg函数中充当经验风险最小化来满足这些标准，已知是Donsker。hal达到了所需的收敛速度，从而保证了估计量的渐近效率。HAL最小化其风险的功能类别具有足够的灵活性，可以捕获现实的功能，同时保持建立效率的条件。此外，HAL可以对非方向可区分参数（例如条件平均治疗效果（CATE）和因果剂量响应曲线，对精确健康很重要。尽管在机器学习文献中经常考虑这些参数，但这些应用通常缺乏适当的统计推断。HAL通过提供可靠的统计不确定性量化来解决这一差距，这对于健康研究中的知情决策至关重要。
伦理设计人工智能系统方法论
人工智能（简称“AI”）通常被定义为在机器上模拟所谓的“智能”过程。作为一门应用和理论领域，这门计算机科学学科涵盖了从弱人工智能（机器可以智能地行动吗？）到强人工智能（机器真的可以思考吗？）[1] 的范围。在过去十年中，第一种方法将人工智能重新推向了前沿，尤其是随着深度学习模型等新机器学习技术的发展 [2]。该技术在模式识别或决策信息选择问题领域创造了极其有效的人工智能应用，程序可以从原始数据中提取信息，并从现有示例中学习提高其技能。通过这一学习过程，人工智能系统可以代替人类执行复杂的任务。然而，这项新技术的出现带来了许多伦理问题。首先，人工智能程序推理方式过于简单，但现实世界复杂且充满了意外事件，机器很难应对。其次，当人工智能程序学习过去情况收集的数据时，它会进行统计推断，将变量之间的相关性转化为蕴含关系。这可能会导致一些后果严重的问题，例如简历分析支持系统中的性别偏见，拒绝女性担任管理职位[3]，或法律决策支持系统中的种族偏见，以预测未来的罪犯[4]。开发人员关注的是优化一些特定的标准，例如效率和可用性。例如，在线电子
Tiago de Paula Peixoto教授
推断和重建复杂网络摘要：网络数据为我们提供了广泛的复杂系统的描述，包括社会动态，人脑，细胞代谢，生态系统，气候动态，流行病扩散，用户行为，文本语料库，信息基础架构等。过去二十年来，几乎所有科学，技术和工业领域的网络数据中都有越来越多的洪水泛滥。是高维，稀疏，构造且通常是大的关系对象，网络数据提出了特定的挑战，需要特殊的分析和方法论框架。尤其是这些属性阻止了我们直接检查大型网络的结构，而要求我们开发生成模型和推理算法来描述它们的大和中尺度结构。此外，引起系统功能行为的成对相互作用通常无法直接访问，因为它们是不可能直接测量的。在这种情况下，我们需要从间接信息中推断或重建隐藏的交互网络。在本演讲中，我回顾了一种基于大规模生成模型和贝叶斯统计推断的全面，原则性和可扩展的方法，可从网络数据中提取科学理解。我将重点介绍模块化结构的原则提取以及从动力学行为中重建网络，从而利用统计物理和信息理论的分析框架。与统计物理学的联系尤其富有成果，因为它揭示了与自旋系统的等效性，包括与可检测性和计算硬度基本限制相关的相变的现象学。