XiaoMi-AI文件搜索系统
World File Search System统计模型
传感器 - 语义学者
摘要：网络化多传感器用于解决机动目标跟踪问题。为避免非线性动态函数的线性化，获得更准确的机动目标估计，提出了一种用于机动目标跟踪的自适应信息加权协同滤波器。利用无迹变换计算伪测量矩阵，以利用测量的信息形式，这是协同迭代所必需的。为提高机动目标跟踪精度并在整个网络的每个传感器节点中获得统一的估计，利用自适应当前统计模型来更新估计，并在各个动态模型的相邻节点之间应用信息加权协同协议。基于多个模型的后验概率，通过对模型条件估计的加权组合来获得每个传感器的最终估计。实验结果表明，所提算法在跟踪精度和全网估计一致性方面具有优异的性能。
人工智能可以改善癌症治疗吗？
摘要 由不断积累的癌症临床和分子数据驱动的人工智能 (AI) 推动了人们的期望，即癌症治疗即将发生转变，从而显著改善患者的治疗效果。然而，这种转变迄今为止仍难以实现。人工智能算法的不透明性和缺乏群体规模的高质量注释数据是人工智能在肿瘤学中应用的挑战之一。然而，从根本上说，癌症的异质性及其进化动力学使得每个肿瘤对治疗的反应都与群体、机器学习统计模型有很大不同，因此这些模型难以得出可改善患者治疗效果的治疗建议的可靠推论。本文回顾了精准肿瘤学临床决策的名义要素，并根据癌症独有的挑战阐述了人工智能在癌症治疗改进中的效用。
UCR 教学环境中生成人工智能的使用指南
生成式人工智能 (AI) 是指一类经过大量数据训练的统计模型，能够以文本、计算机代码、图像、音频和视频的形式产生类似人类的响应。众所周知的例子包括 Google Bard 和 ChatGPT。生成式人工智能正在整个经济和社会中得到迅速采用，包括教育环境，而开发人员和用户仍在探索其能力、优势和挑战。政府正在考虑如何监管这些工具，但几乎可以肯定它们会继续存在。因此，学生、教师和工作人员需要学习如何在他们的职业和个人生活中使用生成式人工智能。这些指导原则和建议做法的目的是为在 UCR 的教学环境中管理这些工具提供一个起点。
合成致死基因对：实验方法和预测模型
合成致死 (SL) 是指一种遗传相互作用，其中两个基因同时受到干扰会导致细胞或生物体死亡，而当其中一个基因发生改变时，细胞或生物体仍能保持活力。对这些基因对的实验探索和计算生物学中的预测模型有助于我们理解癌症生物学和开发癌症疗法。我们广泛回顾了合成致死基因对研究中的实验技术、公共数据源和预测模型，并在此详细介绍了各种预测模型的生物学假设、实验数据、统计模型和计算方案，推测它们对基于个体样本和基于种群的合成致死相互作用的影响，讨论了现有 SL 数据和模型的优缺点，并强调了 SL 发现中的潜在研究方向。
AI4R：第五种科学研究范式
摘要：本文将“人工智能研究范式”（AI for Research，AI4R）称为第五种科研范式，并总结了其特征，包括：（1）人工智能充分融入科技研究；（2）机器智能成为科研不可分割的一部分；（3）有效处理高计算复杂度的组合爆炸问题；（4）概率统计模型在科研中发挥更大作用；（5）实现现有四种研究范式的融合，跨学科合作成为主流研究方式；（6）科研更加依赖以大模型为特征的大研究平台。本文指出，AI4R是一场科学革命，它带来的机遇与挑战将影响中国科技发展的未来，呼吁各领域科学家实现智能化转型。DOI: 10.16418/j.issn.1000-3045.20231007002-en
海洋生态学中的机器学习概述了彼得的技术和应用垃圾；布罗迪，斯蒂芬妮；科尔迪尔，特里斯坦； Destro Barcellos，
全球湖泊生态系统受到极端热量的增加，但它们对湖泊变暖的影响仍然很少。在这项研究中，我们采用了一种基于物理的混合/统计模型来评估1985年至2022年中国2260湖的地表水温变化的贡献。我们的研究表明，在中国，极端热量的速度约为2.08天/十年，强度约为0.03°C。湖地表水温度的变暖速率从0.16°C/十年降低到极端热量后的0.13°C/十年。热量对长期湖面温度变化产生了相当大的影响，占研究湖泊内变暖趋势的36.5％。鉴于极端热量对湖面水的平均变暖的重要影响，必须在气候影响研究中充分考虑它们。
系统与软件杂志
我们提出了一种新的方法，通过将统计模型检查（SMC）与过程挖掘（PM）集成，以验证软件产品线（PL）模型。我们考虑来自PL工程领域的面向功能的语言QFLAN。QFLAN允许对配备丰富的跨树和定量约束以及动态PL（例如分阶段配置）的方面进行建模。这种丰富性使我们能够轻松地获得具有无限状态空间的模型，呼吁基于仿真的分析技术，例如SMC。例如，我们使用一个带有无限状态空间的运行示例。SMC是基于系统动力学样本的产生的分析技术家族。SMC的目的是估算一个系统的属性（例如，安装功能）或其中数量的期望值（例如，研究家族的产品的平均价格）。相反，PM是一个数据驱动的技术家族，它使用在执行信息系统执行中收集的日志来识别和推理其基础执行过程。这通常涉及识别和推理过程模式，瓶颈和改进的可能性。在本文中，据我们所知，我们首次提出了将过程挖掘（PM）技术应用于统计模型检查（SMC）模拟的副产品的应用。这旨在增强SMC分析的实用性。通常，如果SMC给出意外的结果，则建模者必须发现这些结果是否来自系统的实际特征，还是来自模型中的错误。这是以黑盒方式完成的，仅基于获得的数值值。我们通过使用PM来获取有关SMC观察到的系统动力学的白色框透视图来改进这一点。大致来说，我们将SMC生成的样品馈送到PM工具中，获得了观察到的动力学的紧凑图形表示。然后将此开采的PM模型转换为开采的QFLAN模型，使PL工程师可以使用。使用两个众所周知的PL模型，我们表明我们的方法学是有效的（有助于查明模型中的问题，并建议修复），并且可以扩展到复杂的模型。我们还通过将其应用于安全域，表明它是一般的。
人工智能与国家安全
人工智能研究领域始于 20 世纪 40 年代，但由于三大推动力的融合，人们对人工智能的兴趣在 2010 年左右开始激增：（1）“大数据”来源的可用性，（2）机器学习方法的改进，以及（3）计算机处理能力的提升。8 这些增长推动了狭义人工智能的发展，狭义人工智能指的是解决特定问题集（如游戏、图像识别和导航）的算法。 目前所有的人工智能系统都属于狭义人工智能类别。 狭义人工智能最流行的方法是机器学习，它涉及统计算法，这些算法通过分析大型训练数据集得出自己的程序来复制人类的认知任务。 9 在训练过程中，计算机系统会创建自己的统计模型，以在以前没有遇到过的情况下完成指定任务。
论人工智能的安全评估
摘要 . 目的。本文讨论了如何对具有人工智能 (AI) 的系统进行安全评估。如果 AI 用于安全相关应用，这一点很重要。这也适用于铁路系统，因为预计 AI 将在铁路自动化中发挥作用。方法。本文的重点是 AI 的安全评估，而不是 AI 本身。深入研究 AI 模型后，我们发现许多人工智能模型（尤其是机器学习）都是统计模型。除了正常的评估程序外，安全评估还必须集中于 AI 中使用的模型。结果。相关安全完整性水平的危险随机故障预算的一部分需要用于 AI 系统的概率故障行为。我们用一个简单的例子展示了我们的想法，并提出了一个可能对 AI 在安全相关系统中的使用具有决定性作用的研究挑战。
研究实习海报研讨会及颁奖典礼
我们实验室开发了一种新颖、简化的生物信息学方法，用于从 RNA 测序计数中检测细胞水平突变，从而增强了我们对 AML 突变的了解，并促进了细胞水平的基因组分析。我的工作重点是通过将我们的机器学习预测与 SCmut 获得的结果进行比较来验证这些发现和技术，SCmut 是一种现有的统计模型，它使用大量 RNA 测序衍生的特征来预测使用 scRNA 测序的单细胞中的癌症相关突变状态。鉴于现有的 scRNA 测序数据集非常丰富，成功实施这种方法可以从技术和经济角度使癌症基因组学研究更容易进行，因为当前基于单细胞 RNA 和大量 DNA 测序的方法计算量大且难以分析。