XiaoMi-AI文件搜索系统
World File Search System统计误差
无标记数据的替代建模的深度自适应抽样
抽象的替代建模对于参数微分方程系统具有很大的实用性。与经典数值方法相反，使用基于物理学的深度学习方法为这种系统构造模拟器是一个有希望的方向，因为它具有处理高维度的潜力，这需要最大程度地减少训练的随机样本损失。然而，随机样品引入了统计误差，这可能成为近似和高维问题的近似值的主要误差。在这项工作中，我们提出了一种深层自适应采样方法，用于对低规范性参数微分方程的替代建模，并说明了自适应采样的必要性以构建替代模型。在参数设置中，剩余损耗功能可以视为空间和参数变量的不均衡概率密度函数（PDF）。与非参数设置相反，可以使用分解的关节密度模型来减轻参数空间引起的困难。PDF通过深层生成模型近似，从中生成新样品并将其添加到训练集中。由于新样品与残留诱导的分布相匹配，因此重新定义的训练集可以进一步减少当前近似解决方案中的统计误差
结合对同一测量的多次评估结果
各种校准实验室、测量标准组织、国家计量机构（NMIs）和国际组织（如国际计量局（BIPM）、国际标准化组织（ISO）、国际法制计量组织（OIML）和国际电工委员会（IEC））的职责是确保同一测量对象在不同地点、不同时间和不同测量程序下测得的不同测量值之间的差异不显著。如果没有这种保证，世界商业、贸易、制造、工程和科学研究就会一片混乱。基于统计误差分析的测量不确定度旧思维已不适用于快速发展的科学和
管理银行业人工智能：我们准备好合作了吗？
其次，与传统模型一样，AI/ML 模型可以反映它们所训练的数据中的偏差和不准确性。幻觉——在我看来，这个术语毫无帮助地将模型拟人化，并淡化了不准确性的严重性——有时会以令人信服的方式产生错误和有缺陷的输出。需要明确的是，人类在决策中也容易产生偏见。在许多情况下，这些模型无法“解释”——换句话说，我们并不总是理解模型产生特定输出的原因和方式。这种缺乏可解释性的问题相对于现有模型（重点可能主要放在统计误差和残差上）增加了一层额外的问题。因此，银行和监管机构必须对其在关键银行服务中的潜在用途的稳健性有足够的信心。
具有单元耦合簇和结构学习假设的 Lipkin 模型的量子计算 *
虽然在本研究中我们模拟了经典计算机中的量子计算，但我们应该注意到量子力学测量是随机的，因此，每次评估期望值时我们都将进行1000次测量。对于每种相互作用强度，进行50次基态能量估计，并得到它们的中位数和百分位数。另外，在本研究中，我们采用了Nakanishi等人[31]提出的序贯最小优化（SMO）方法进行参数优化。SMO方法具有以下优点：收敛速度更快、对统计误差具有鲁棒性、无需超参数优化。SMO方法基于这样一个事实，即期望值表示为具有一定周期的三角函数的简单和。更多详细信息可参见参考文献[31]。
本科物理课程列表
· 主要内容：概率与统计、均值与方差、测量与统计误差、二项分布与泊松分布、高斯分布、中心极限定理、误差传播、卡方分布、最小二乘拟合、假设检验、基本实验室方法。· 实验室主题：掷两个六面骰子的概率、π 的测量、从一打六面骰子中掷出二的概率、宇宙射线粒子通过盖革计数器的速率、基本“弹球机”的高斯分布、伽马射线能谱、NaI 探测器的能量分辨率、放射性 137 Ba 同位素的寿命。· 教科书：John Taylor 著《误差分析导论》；第 1 至 12 章（第 9 章除外）的各个部分。教科书未涵盖的主题的讲座和实验笔记：https://www.asc. ohio-state.edu/gan.1/teaching/spring18/3700.html。
尼日利亚Owerri的全球太阳辐射的估计...
摘要在这项研究中，测得的气象数据，经验模型用于估计尼日利亚奥韦利的全球太阳辐射。使用Angstrom和Page的线性回归模型，尼日利亚OWERRI的相对阳光持续时间，相对湿度和最高温度与全局太阳辐射数据相关。产生了其他多个线性回归模型，以检查全球接收到的太阳能与其他气候因素（例如最高温度和相对湿度）之间的关系。阿布贾的尼日利亚气候机构（NIMET）为2011年至2021年之间的11年期间提供了气候特征。四个统计误差指标 - 均值偏差误差（MBE），均方根误差（RMSE），平均百分比误差（MPE）和T-Stat-用于验证数据的统计有效性。尽管某些模型比其他模型更加强烈，但结果表明，使用已建立的模型，预测的全球太阳辐射与测得的平均全球太阳辐射之间存在牢固的关系。基于T统计结果，城市的最佳经验方程为
具有存储的模型的后验时间序列聚合
太阳能和风能等可变可再生能源的增长正在增加气候不确定性对能源系统规划的影响。理想情况下，解决这个问题需要至少跨越几十年的高分辨率时间序列。然而，解决此类数据集上的容量扩展规划模型通常需要太多的计算时间或内存。为了降低计算成本，用户通常使用时间序列聚合将需求和天气时间序列压缩为较少的时间步长。方法通常是先验的，仅使用有关输入时间序列的信息。最近的研究强调了这种方法的局限性，因为减少输入时间序列的统计误差指标通常不会导致更准确的模型输出。此外，许多聚合方案不适用于具有存储的模型，因为它们会扭曲时间顺序。在本文中，我们为具有存储的模型引入了后验时间序列聚合方案。我们的方法适应底层能源系统模型；即使具有相同的时间序列输入，聚合在具有不同技术或拓扑的系统中也可能有所不同。此外，它们保留了时间顺序，因此允许对存储技术进行建模。我们研究了许多方法。我们发现后验方法比先验方法效果更好，主要是通过系统地识别和保存相关的极端事件。我们希望这些工具能让长期需求和天气时间序列在容量扩展规划研究中更易于管理。我们公开提供我们的模型、数据和代码。
审核胎儿生物标准：了解错误来源以改善我们的实践
使用超声检查的胎儿生长评估是产前护理1-3的组成部分。它以冠状 - 凸起长度（CRL）的测量在怀孕初期开始，并在怀孕期间继续进行腹部周长（AC），股骨长度（FL），双胎直径和头圆周和头围（HC）2,3。这些测量值对怀孕护理产生了重大影响：首先，怀孕的日期是基于第一个孕期的CRL或孕期的胎儿生物特征；第二，小婴儿或大婴儿的围产期不良风险更高。第三，小婴儿或大婴儿与孕产妇状况（例如前婴儿症和糖尿病）有关。胎儿生长差异的产前鉴定可能会降低母体和胎儿并发症的速度4-6。胎儿生物特征是生物学现象的翻译，例如胎儿生长到可测量的数量。除了个人之间明显的生理变异性外，涉及测量的所有事物都具有可变性，包括两个要素：固有的统计误差和测量偏见归因于测量条件，例如操作员的性能和设备。在怀孕中，它变得更加复杂，因为应使用参考范围对胎龄进行调整，这引入了另一个重要的错误源。所有这些类型的可变性都具有在临床实践中反映的添加效应。我们还相信，仅仅意识到错误和偏见的不同来源就可以改善实践。一种识别和减轻测量误差问题的方法是应用测量 - 纠错理论并通过针对每个操作员的特定审核来量化测量的偏见和传播7。
变分量子问题的噪声贝叶斯优化...
在许多值得关注的科学应用中，量子算法有可能比传统算法快得多。例如量子机器学习 [1]、量子化学 [2] 以及许多其他 [3]。不幸的是，其中许多应用还无法在当前的嘈杂中型量子 (NISQ) 计算机上实现 [4]，需要等到噪声源可以被抑制到阈值，使量子计算机可用于实践，甚至构建容错量子计算机 [5]。然而，许多有趣的 LGT 问题已经可以通过 NISQ 设备进行研究 [6]。特别是，如果以哈密顿量公式研究 LGT，量子算法通常不会受到符号问题的影响 [7,8]。一种重要的现成算法是变分量子特征值求解器 (VQE) [ 9 ]，它是一种混合量子经典算法，利用变分原理寻找给定汉密尔顿量 H 的基态（和激发态）。VQE 的量子部分用于测量给定多量子比特状态中汉密尔顿量的期望值，即能量，而经典部分则在由参数化量子电路生成的多量子比特状态族中搜索使能量最小化的状态。本文提出的算法是一种经典优化器，旨在找到基态的良好近似值，尽可能减少能量测量的次数。这里选择的方法称为贝叶斯全局优化。它的首次应用可以追溯到 20 世纪 60 年代 [ 10 ]，而它的现代实现则基于最近的研究 [ 11 ]。该方法的基础是高斯过程回归 (GPR)，这是一种基于高斯过程贝叶斯推理的插值方法。它使我们能够使用有限量的 (嘈杂) 数据创建黑盒函数的预测模型。在每次优化迭代中，该模型用于确定一组可能接近全局最小点的参数。此步骤按照称为获取函数优化的过程执行。这里提出的优化能量的算法不同于 VQE 中常用的其他替代方法，因为它不仅使用能量的估计值，还使用其统计误差的值。其动机是降低每一步的量子测量次数：即使对于不精确的能量测量，只要它们的误差由于中心极限定理近似为高斯，该过程也是定义良好的。使用噪声设备模拟器将该算法的结果与其他常用的替代方案进行了比较。
使用改进的序贯概率比检验在实时功能磁共振成像实验中提前停止
使用改进的序贯概率比检验进行共振成像 Sarah JA Carr 1,2 、Weicong Chen 3 、Jeremy Fondran 4 、Harry Friel 5 、Javier Sanchez-Gonzalez 6 、Jing Zhang 4 和 Curtis Tatsuoka 4,2,* 1. 英国伦敦国王学院精神病学、心理学和神经科学研究所神经影像学系 2. 美国俄亥俄州克利夫兰凯斯西储大学神经病学系 3. 美国俄亥俄州克利夫兰凯斯西储大学计算机与数据科学系 4. 美国俄亥俄州克利夫兰凯斯西储大学人口与定量健康科学系 5. 美国俄亥俄州高地黑兹飞利浦医疗集团 6. 西班牙马德里飞利浦医疗集团 *通讯作者：Curtis Tatsuoka 10900 Euclid Avenue 凯斯西储大学克利夫兰， OH，美国 44106 电子邮件：cmt66@case.edu 关键词：实时 fMRI、自适应 fMRI、动态实验、SPRT、提前停止 摘要简介：功能性磁共振成像 (fMRI) 通常需要较长的扫描时间以确保可以检测到相关的大脑活动。然而，过度的实验会导致许多不良影响，例如学习和/或疲劳影响、受试者不适、过多的运动伪影以及无法持续关注任务。因此，过长的实验会对信号质量和准确的体素激活检测产生不利影响。在这里，我们建议使用一种新颖的统计驱动方法对实时 fMRI 进行动态实验，当观察到足够的统计证据来评估与任务相关的激活时，该方法会提前停止。方法：对 12 名健康青少年受试者和 11 名极度早产 (EPT) 青少年受试者的数学 1-back 任务的 fMRI 扫描实施基于一般线性模型 (GLM) 的体素级序贯概率比检验 (SPRT) 统计数据。该方法基于似然比，并允许基于统计误差阈值进行系统性早期停止。我们采用两阶段估计方法，可以准确估计误差方差。报告了不同第一阶段长度的早期停止性能，并将激活结果与完整持续时间进行比较。最后，对两个早期停止的模型进行组比较