XiaoMi-AI文件搜索系统
World File Search System自回归
有条件的潜在自回归复发模型，用于生成和预测粒子加速器中的光束动力学
粒子加速器是复杂的系统，将重点，引导和加速的强烈带电的粒子梁转向高能。Beam Diagnostics提出了一个具有挑战性的问题，这是由于有限的非破坏性测量，计算要求的模拟以及系统中固有的不确定性。我们提出了一个两步无监督的深度学习框架，称为有条件的潜在自动回归复发模型（Clarm），用于学习加速器中带电粒子的时空动力学。clarm由有条件的变分自动编码器（CVAE）组成，将六维相位空间转换为较低维的潜在分布和长期短期内存（LSTM）网络，以自动化方式捕获临时动力学。克拉姆可以通过对潜在空间表示形式进行采样和解码来生成各种加速器模块的投影。该模型还预测了过去状态（上游位置）的带电粒子的未来状态（下游位置）。结果表明，在针对各种评估指标进行测试时，提出的方法的生成和预测能力有望。
本科学位课程计划和教学大纲... - BTU
4 自回归综合移动平均 (ARIMA) 模型：自回归移动平均 (ARMA) 模型 - ARMA 模型的平稳性和可逆性 - 使用变异函数检查平稳性 - 检测非平稳性 - 自回归综合移动平均 (ARIMA) 模型 - 使用 ARIMA 进行预测 - 季节性数据 - 季节性 ARIMA 模型 使用季节性 ARIMA 模型进行预测简介 - 寻找“最佳”模型 - 示例：互联网用户数据 - 模型选择标准 - 脉冲响应函数用于研究模型之间的差异 比较竞争模型的脉冲响应函数 。
使用机器学习技术进行基于线性随机过程模型的 EEG 分类 Mykhailo Fryz a、Leonid Scherbak b、Bogdana Mlynko a 和
摘要 脑电图 (EEG) 建模和分类方法在医学诊断以及使用基于脑机接口的工业 4.0 解决方案创建复杂信息系统中非常重要。本文以线性随机过程的形式介绍了 EEG 信号的数学模型。考虑了使用自回归模型的相应估计程序。新的信息特征已被证明是线性随机过程模型表示的下采样核。基于自回归系数和新提取的信息特征对二元分类机器学习技术进行了比较分析。显示了分类指标的改进。关键词 1 信息系统、脑电图、信号、数学模型、线性随机过程、自回归模型、核、特征提取、估计、二元分类。
人类语言处理和深度语言模型的共享计算原理
自回归（预测）DLM 的杰出成功从理论和实践角度来看都是惊人的，因为它们来自与传统心理语言学模型截然不同的科学范式 1 。在传统的心理语言学方法中，人类语言用可解释模型来解释，这些模型将符号元素（例如名词、动词、形容词和副词）与基于规则的操作相结合 2、3 。相反，自回归 DLM 从“自然”的现实世界文本示例中学习语言，对语言结构有极少的或根本没有明确的先验知识。自回归 DLM 不会将单词解析为词性或应用明确的句法转换。相反，它们学习将一系列单词编码为数值向量（称为上下文嵌入），模型从中解码下一个单词。经过学习，下一个词预测原理可以生成格式良好、新颖、具有上下文感知的文本 1、4、5 。自回归 DLM 已被证明在捕捉语言结构方面非常有效 6 – 9 。然而，尚不清楚自回归 DLM 的核心计算原理是否与人类大脑处理语言的方式有关。过去的研究利用语言模型和机器学习来提取大脑中的语义表征 10 – 18 。但这些研究并没有将自回归 DLM 视为人类大脑如何编码语言的可行认知模型。相比之下，最近的理论论文认为 DLM 与大脑处理语言的方式之间存在根本联系 1 , 19 , 20 。
经济理论与计量经济学杂志
带漂移的爆炸自回归模型最小二乘估计的渐近性质 J IN L EE ........................................................................................................................................................................................................ 1
基于增强的 BCI-EEG 分类...
摘要 — 目的：脑电信号被记录为多维数据集。我们提出了一个基于增强协方差的新框架，该框架源自自回归模型，以改进运动想象分类。方法：从自回归模型可以推导出 Yule-Walker 方程，该方程显示了对称正定矩阵的出现：增强协方差矩阵。对协方差矩阵进行分类的最新技术基于黎曼几何。因此，一个相当自然的想法是将这种基于黎曼几何的方法应用于这些增强协方差矩阵。创建增强协方差矩阵的方法与 Takens 为动态系统提出的延迟嵌入定理有着自然的联系。这种嵌入方法基于两个参数的知识：延迟和嵌入维度，分别与自回归模型的滞后和阶数有关。除了标准网格搜索之外，这种方法还提供了计算超参数的新方法。结果：增强协方差矩阵的 ACM 性能优于任何最先进的方法。我们将使用 MOABB 框架在多个数据集和多个主题上测试我们的方法，同时使用会话内和跨会话评估。结论：结果的改善是由于增强协方差矩阵不仅包含空间信息，还包含时间信息。因此，它通过嵌入过程包含有关信号非线性分量的信息，从而允许利用动态系统算法。意义：这些结果扩展了基于黎曼距离的分类算法的概念和结果。
墨西哥银行工作报告 2021-17 号：新冠疫情期间新兴经济体资本流动与全球风险规避
摘要：本文分析了新兴市场经济体资本流动决定因素相对重要性的近期变化。为此，我们估计了 2009-2020 年期间的向量自回归 (VAR) 模型。基于这些模型，我们估计了冲击对其决定因素对债务流动的影响。然后，我们通过历史分解分析量化了模型中包含的每个变量的贡献，以解释样本中每个月这些流动的演变。主要结果表明，与过去相比，全球风险规避对解释债务流动演变的贡献在 2020 年 3 月有所增加，尽管其相对重要性此后有所下降，尤其是随着金融市场表现的改善。关键词：资本流动；全球风险规避；COVID-19；向量自回归 JEL 分类：F21；F32；F41；G15
从零到湍流：3D流模拟的生成建模
tl; dr3D中的湍流不仅仅是“只有一个维度”自回归模型努力通过时间跟踪复杂的涡旋结构生成的建模使我们可以直接从流量状态的流动状态中进行样品，从而在跟踪问题
结构限制有效大脑连接
结构和功能之间的关系是许多涉及复杂生物过程研究的研究领域中令人感兴趣的问题。特别是在神经科学中，结构和功能数据的融合有助于理解大脑中操作网络的基本原理。为了解决这个问题，本文提出了一个受约束的自回归模型，该模型可以表示有效连接，可用于更好地理解结构如何调节功能。或者简单地说，它可以用于寻找表征受试者群体的新型生物标记。在实践中，初始结构连接表示被重新加权以解释功能共激活。这是通过最小化受结构连接先验约束的自回归模型的重建误差来获得的。该模型还设计为包括间接连接，允许在功能连接中分离直接和间接组件，并且可以与原始和反卷积的 BOLD 信号一起使用。
我们的脑电波如何感知时间的流逝？在节奏表演任务中量化时间的神经相关性
3 设计 6 3.1 先前的工作. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 3.1.3 实验数据....................................................................................................................................................................................9 3.2 数据预处理....................................................................................................................................................................................................10 3.2.1 数据分离....................................................................................................................................................................................................11 3.2.2 数据分割....................................................................................................................................................11 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ................................................................................................................................................................................................. 15 3.4 自回归模型.................................................................................................................................................................................... 15 3.4.1 通道间相关性.................................................................................................................................................................................... 15 3.4.2 通道自相关性.................................................................................................................................................................................... 16