XiaoMi-AI文件搜索系统
World File Search System贝斯
贝叶斯强化学习可靠性分析
提出了一种结合贝叶斯推断的贝叶斯强化学习可靠性方法，以实现故障概率估计和增强学习指导的顺序实验设计。以可靠性为导向的顺序实验设计被构架为有限的马尔可夫决策过程（MDP），其相关的效用函数由对克里格估计的失败概率的认知不确定性度量定义，称为综合的错误分类概率（IPM）。在此Ba-sis上，定义了一个步骤的贝叶斯最佳学习函数，称为错误分类减少的综合概率（IPMR）以及兼容的收敛标准。采取了三种有效的策略来加速IPMR信息的顺序实验设计：（i）IPMR中内部期望的分析推导，将其简化为单个期望。（ii）替换IPMR替换其上限IPMR U，以避免对其集成的元素计算。（iii）IPMR U中正交集合和候选池的合理修剪以减轻计算机内存约束。在两个基准示例和两个数值示例中证明了所提出的APACH的功效。结果表明，与其他现有学习功能相比，IPMR U促进IPM的快速减少，同时所需的计算时间比IPMR本身要少得多。因此，提出的可靠性方法在计算效率和准确性方面都具有很大的优势，尤其是在复杂的动态可靠性问题中。
贝林斯菲尔德社区发展规划
1.5 地方规划中的政策 STRAT10：Berinsfield 花园村规定了 Berinsfield 花园村内的所有开发项目（定义为现有村庄）以及与现有村庄相邻的任何未来开发项目（包括政策 STRAT10i 中的战略分配范围内的土地）将如何满足花园村原则。该政策在规划期内分配了约 1,700 套新住宅用地，以及至少 5 公顷的额外就业用地和配套服务和设施。该政策为开发项目列出了一系列综合要求，包括按照商定的总体规划实施计划。政策 STRAT10ii：Berinsfield 地方绿地也与 Berinsfield 有关，并将 Berinsfield 中心的土地（在地方规划附录 2 中标识）分配为地方绿地。
伦敦兰贝斯的技能和就业...
在这种背景下，我们对技能，就业和培训的支持比以往任何时候都更加重要。我们已经知道，我们社区的大部分地区被排除在经济增长的机会之外，并且更广泛的劳动力市场变化已经看到许多人必须依靠低质量或不安全的工作，兼顾多个工作来满足住房的高昂成本并在市镇抚养家庭。这些社区中的许多社区受到了Covid-19的不成比例影响。我们自治市镇中太多的孩子仍在离开学校缺乏基本技能和资格，阻碍了他们获得不错的工作或在未来建立成功的职业的机会。对于他人而言，情况可能会更糟，有机会在以后的生活中获得新的技能，甚至更难获得。这使我们的许多居民陷入了低薪工作，几乎没有机会改善其前景或家人的前景。
量子和经典贝叶斯代理
我们描述了一种基于量子理论的量子贝叶斯 (QBist) 方法对采用量子或经典力学的理性决策代理进行建模的通用方法。通过一个代理的属性可能影响另一个代理的方案这一附加要素，我们得到了一个灵活的框架来处理多个相互作用的量子和经典贝叶斯代理。我们在几种环境中进行了模拟以说明我们的构造：从外源接收信号的量子和经典代理、两个相互作用的经典代理、两个相互作用的量子代理以及经典和量子代理之间的相互作用。对多个相互作用的量子理论用户的一致处理可能使我们能够正确解释现有的多代理协议，并可能为量子算法设计等其他领域提供新方法。
兰贝斯数字策略-London
到目前为止的进展虽然数字贫困一直存在于大流行之前，但Covid-19揭示了自治市镇的不平等现象，并加剧了其影响。为了回应，理事会一直在扩大数字包容性工作，与学校，志愿和社区组织以及公司合作伙伴一起工作，以识别，重新解决（或购买），并为需要它的居民分发数字设备和支持技能开发。委员会举措包括向弱势儿童分发1000多个DFE笔记本电脑，通过图书馆提供数字支持，通过成人学习提供数字技能，通过自愿和社区部门的赠款为数字设备提供资金，并促进公众捐款。数字排除和贫困是一个只能与广泛合作伙伴解决的问题。我们召集了一个本地的数字包容网络，以支持许多本地倡议，包括TechAid，Connecting Tulse Hill，Lambeth Forum Network，Uk UK Lambeth，Disability Advision Service Lambeth和Lambeth Citizens。
智能机器时代的贝叶斯
18 世纪，托马斯·贝叶斯 (Thomas Bayes) 提出了一个激进的想法：用概率来表示我们认为假设正确的程度 (Bayes, 1763/1958)。他在一场赌博游戏中这样做：在经历了一定数量的输赢之后，你赢的概率有多大？使用概率论根据数据更新我们的信念程度的想法是我们现在所说的贝叶斯规则的基础（见图 1）。贝叶斯可能认为他的工作具有较低的概率，而这一模型在 200 多年后成为贝叶斯认知模型的基础，该模型从理性信念更新的角度解释人类行为（例如，Griffiths 等人，2010 年）。贝叶斯认知模型解释了归纳推理——从有限的数据得出不确定结论的过程，例如根据在对话中听到的新词推断其含义。在贝叶斯模型中，这种推断是将数据（例如，你听到新词的上下文）与我们对世界的现有期望（例如，对一个词可能具有何种含义的期望）相结合的结果。这些期望以假设的“先验分布”来表达，更合理的假设具有更高的先验概率。这捕捉到了学习者的“归纳偏差”——那些影响学习者选择的假设的数据以外的因素（Mitchell，1997）。先验分布可以定义为
随机对照试验的贝叶斯网络分析
2018 年，美国估计有 42,220 例肝细胞癌和肝内胆管癌新发病例和 30,200 例死亡病例 [1]。这些死亡病例大多数是由于肝细胞癌 (HCC)，这是最常见的原发性肝癌 [2]。在全球范围内，肝癌是癌症死亡的第四大原因 [3]。HCC 最常与慢性乙型肝炎病毒或丙型肝炎病毒感染有关，尤其是并发肝硬化，这限制了手术切除的可行性 [4]。对于适合手术的患者，肝移植和手术切除仍然是早期 HCC 最有效的治疗方法。不幸的是，绝大多数患者在被诊断为 HCC 时已处于晚期，肿瘤无法切除。以往，晚期HCC预后不佳，治疗仅限于经动脉化疗栓塞、射频消融、放射治疗和全身药物治疗[5]。欧洲SHARP试验首次证明，多靶点小分子酪氨酸激酶抑制剂（TKI）索拉非尼可延长不可切除的HCC患者的中位生存期，优于安慰剂[6]。随后，更多靶向药物相继问世，并在II期或III期临床试验中证明其有效且安全[7]。尽管已有研究将这些药物的有效性和安全性与索拉非尼或安慰剂进行了比较，但尚未进行过头对头比较[8]。为了进一步评估靶向药物治疗HCC患者的疗效和安全性证据，我们进行了贝叶斯网络荟萃分析（NMA）以比较不同HCC靶向药物的生存期、客观缓解率（ORR）和不良事件（AE）。
自由电子激光器的贝叶斯优化
直线加速器相干光源 X 射线自由电子激光器是一种复杂的科学仪器，每天会多次更改配置，因此需要快速调整策略来减少连续实验的设置时间。为此，我们采用贝叶斯方法通过控制四极磁铁组来最大化 X 射线激光脉冲能量。高斯过程模型为机器响应提供了相对于控制参数的概率预测，从而在寻找全局最优时实现了探索和利用的平衡。我们表明，可以从存档的扫描中学习模型参数，并且可以从光束传输中提取设备之间的相关性。结果是一个样本高效的优化程序，结合了历史数据和加速器物理知识，大大优于现有的优化器。