XiaoMi-AI文件搜索系统
World File Search System随机
随机性，交换性和保形预测
随机性的功能理论是在Vovk [2020]中以非算力的随机性理论的名义提出的。Ran-Domness的算法理论是由Kolmogorov于1960年代启动的[Kolmogorov，1968年]，并已在许多论文和书籍中开发（例如，参见Shen等人。2017）。它一直是直觉的强大来源，但其弱点是对特定通用部分可计算函数的选择的依赖性，这导致其数学结果中存在未指定的加性（有时是乘法）常数。Kolmogorov [1965，Sect。 3] speculated that for natural universal partial computable functions the additive constants will be in hun- dreds rather than in tens of thousands of bits, but this accuracy is very far from being sufficient in machine-learning and statistical applications (an addi- tive constant of 100 in the definition of Kolmogorov complexity leads to the astronomical multiplicative constant of 2 100 in the corresponding p-value). 与VOVK [2020]中提出的未指定常数打交道的方式是表达有关随机性算法作为各种函数类之间关系的算法。 它将在教派中引入。 2。 在本文中，我们将这种方法称为随机性的功能理论。 虽然它在直观的简单性方面失去了一定的损失，但它越来越接近实用的机器学习和统计数据。 读者将不会假设对随机性算法理论的形式知识。 在本文中，我们有兴趣将随机性的功能理论应用于预测。 3。Kolmogorov [1965，Sect。3] speculated that for natural universal partial computable functions the additive constants will be in hun- dreds rather than in tens of thousands of bits, but this accuracy is very far from being sufficient in machine-learning and statistical applications (an addi- tive constant of 100 in the definition of Kolmogorov complexity leads to the astronomical multiplicative constant of 2 100 in the corresponding p-value).与VOVK [2020]中提出的未指定常数打交道的方式是表达有关随机性算法作为各种函数类之间关系的算法。它将在教派中引入。2。在本文中，我们将这种方法称为随机性的功能理论。虽然它在直观的简单性方面失去了一定的损失，但它越来越接近实用的机器学习和统计数据。读者将不会假设对随机性算法理论的形式知识。在本文中，我们有兴趣将随机性的功能理论应用于预测。3。机器学习中最标准的假设是随机性：我们假设观察值是以IID方式生成的（独立且分布相同）。先验弱的假设是交换性的假设，尽管对于无限的数据序列而言，随机性和交换性证明与著名的de Finetti代表定理本质上是等效的。对于有限序列，差异是重要的，这将是我们教派的主题。我们开始讨论在教派中预测的随机性功能理论的应用。2。在其中介绍了置信度预言的概念（稍微修改和推广Vovk等人的术语。2022，Sect。2.1.6）。然后，我们根据三个二分法确定八种置信预测因素：
合成生物学对低纤维摄入个体的肠道微生物组的有益作用：双盲，随机对照试验的次级分析
1营养与食品科学研究所，营养与微生物群，波恩大学，53115 BONN，德国2 BONN 2 BONNANY 2 BONNY HOSPICY HOSPICY BONN基因组统计与生物信息学研究所，德国53127 BONN，德国BONN，BONN，BONN，BONN，BONN，BONN，BONN，BONN，BONN，BONN，BONN，BONN，BONNY 3 3 3波恩大学，德国53115 BONN 53115 BONN 5，波恩大学，波恩大学，53113 BONN，德国6里昂神经科学研究中心（CRNL），中心，国家de la Recherche Scientifique（CNRS），Institut de lasanté等人（Inserm lliemer），法国里昂，里昂7欧洲研究所，法国77300年，法国77300，87300 Control Interoception-Intervistion团队，巴黎脑研究所（ICM），法国75013，法国巴黎 *通信1营养与食品科学研究所，营养与微生物群，波恩大学，53115 BONN，德国2 BONN 2 BONNANY 2 BONNY HOSPICY HOSPICY BONN基因组统计与生物信息学研究所，德国53127 BONN，德国BONN，BONN，BONN，BONN，BONN，BONN，BONN，BONN，BONN，BONN，BONN，BONN，BONNY 3 3 3波恩大学，德国53115 BONN 53115 BONN 5，波恩大学，波恩大学，53113 BONN，德国6里昂神经科学研究中心（CRNL），中心，国家de la Recherche Scientifique（CNRS），Institut de lasanté等人（Inserm lliemer），法国里昂，里昂7欧洲研究所，法国77300年，法国77300，87300 Control Interoception-Intervistion团队，巴黎脑研究所（ICM），法国75013，法国巴黎 *通信
黄热病疫苗与蜱传脑炎疫苗或日本脑炎疫苗联合接种后的安全性和免疫原性：一项开放标签、非随机临床试验的结果
。CC-BY 4.0 国际许可 它是根据作者/资助者提供的，他已授予 medRxiv 永久展示预印本的许可。（未经同行评审认证）
Adam N. Elmachtoub 通过连续时间选择均值 - 变化投资组合... 连续的时期学习，Q学习，后悔 通过Q- ... 的奖励定向分数扩散模型 索菲的星球和终止 收缩，扩散概率模型，离散化，... 财务中间和财务风险简介 国际法院的气候变化人物... 生物多样性金融 Justin S. Golub，医学博士，MS Christian Kroer - 简历 1816年至2001年，全世界民族国家的崛起 习惯持久性 酸试验：2025年的全球温度 raghav singal 辛西娅·拉什（Cynthia Rush）选定的出版物 全球变暖加速度：原因和后果 通过随机控制对扩散模型进行微调：... 全球变暖加速度：Hope vs Hopium 常见顺序学习的贝叶斯设计原理
Ph.D.论文委员会成员：Luofeng Liao，Jiangze Han（不列颠哥伦比亚大学），Tianyu Wang，Aapeli Vuorinen，Madhumitha Shridharan，Jerry Anunrojwong（哥伦比亚商学院），Steven Yin（2022），Sai Ananthanarayananananananananananananananananananananananananananananananananananananananananananananananananananananananananananananananananananananananananananananaan lagzi of Turrontanaan lagzi（202222222） Yuan Gao（2022），Jingtong Zhao（2021），Fengpei Li（2021），Kumar Goutam（2020），Shuoguang Yang（2020），Min-Hwan OH（2020），Randy Jia（2020），Randy Jia（2020），Vladlena Powers（2020），vladlena Powers（2020），Zhe liuia liuia liuia（2019年），2019年，2019年（2019年）贝鲁特美国大学），Suraj Keshri（2019），Shuangyu Wang（2018），Francois Fagan（2018），Xinshang Wang（2017）Ph.D.论文委员会成员：Luofeng Liao，Jiangze Han（不列颠哥伦比亚大学），Tianyu Wang，Aapeli Vuorinen，Madhumitha Shridharan，Jerry Anunrojwong（哥伦比亚商学院），Steven Yin（2022），Sai Ananthanarayananananananananananananananananananananananananananananananananananananananananananananananananananananananananananananananananananananananananananananaan lagzi of Turrontanaan lagzi（202222222） Yuan Gao（2022），Jingtong Zhao（2021），Fengpei Li（2021），Kumar Goutam（2020），Shuoguang Yang（2020），Min-Hwan OH（2020），Randy Jia（2020），Randy Jia（2020），Vladlena Powers（2020），vladlena Powers（2020），Zhe liuia liuia liuia（2019年），2019年，2019年（2019年）贝鲁特美国大学），Suraj Keshri（2019），Shuangyu Wang（2018），Francois Fagan（2018），Xinshang Wang（2017）
来自低度猜想的算法连续性和相关的随机图中的应用
图形匹配，也称为网络对齐，是识别两个图表之间的双向反射，从而最大程度地提高了公共边数的数量。当两个图彼此完全同构时，此问题将减少到经典的图形同构问题，其中最著名的算法在准杂音时间时间中运行[1]。通常，图形匹配是二次分配问题[7]的实例，该实例已知可以解决甚至近似[38]。是由现实世界应用（例如社交网络去匿名化[45]和计算生物学[51]）以及了解平均计算复杂性的需求，最近的研究集中在统计模型下的理论基础和有效的算法。这些模型假设这两个图是在隐藏的顶点对应关系下随机生成的，其中有相关的边缘，其中规范模型是以下相关的随机图模型。对于任何整数n，用u = u n表示为1≤i=j≤n的无序对（i，j）集。
任何有限字段的有效伪随机相关发生器
摘要。相关的随机性在于有效的现代安全多方计算（MPC）协议的核心。生成MPC在线阶段协议所需的相关随机性的成本通常构成整体协议中的瓶颈。Boyle等人发起的伪随机相关发生器（PCG）的最新范式。（CCS'18，Crypto'19）为此问题提供了一个吸引人的解决方案。在草图中，为每个方提供了一个短的PCG种子，可以将其局部扩展为长相关字符串，从而满足目标相关性。在各种类型的相关性中，有忽略的线性评估（OLE），这是对算术电路的典型MPC协议的基本和有用的原始性。旨在有效地生成大量OLE，并应用于MPC协议，我们建立了以下结果：（i）在任何字段F p上，我们为OLE提出了一种新颖的可编程PCG构造。对于kn ole相关性，我们需要O（k log n）通信和O（k 2 n log n）计算，其中k是任意整数≥2。预先的作品要么具有二次计算（Boyle等人crypto'19），或者只能支持大于2的大小的字段（Bombar等人加密23）。（ii）我们扩展了上述OLE结构，以提供任何有限领域的各种相关性。引人入胜的应用之一是用于两方身份验证的布尔乘法三倍的有效PCG。对于kN身份验证的三元组，我们提供的PCG具有O（k 2 log n）位的种子大小。与以前的作品相比，每个作品都有自己的权利。据我们最大的知识，这种相关性以前尚未通过sublrinear沟通和准线性计算实现。（iii）此外，该可编程性可用于多方布尔三元组的有效PCG，因此是第一个具有无声预处理的布尔电路的有效MPC协议。尤其是我们显示的kn m-零件乘数可以在O（m 2 K log n） - 次通信中生成，而最先进的叶面（Asiacrypt'24）需要广播通道，并需要MKN + O（m 2 log kn）钻头通信。（iv）最后，我们提出有效的PCG，用于电路依赖性预处理，矩阵乘法和字符串OTS等。
具有动态热额定值和存储的过度种植海上风电场能源管理的随机动态规划
摘要 — 我们研究海上风电场的最佳能源管理，该风电场结合了“过度种植”（生产量超过输电能力）、“动态热额定值”（DTR，由于输出电缆周围土壤的热惯性大，瞬时输出量超过稳态输电能力）和能量存储（以减轻限电和预测误差）。这种前瞻性的设置旨在进一步降低海上风电的平准化能源成本，它产生了一个具有时间耦合和不确定输入的优化问题。这个能源管理问题的困难在于，由于电缆周围的热惯性，时间常数相差几个数量级。我们提出了一种基于随机动态规划 (SDP) 的大型 GPU 实现的近似解决方案。在我们的性能比较中，SDP 优于更简单的基于规则的能源管理方案，同时我们还探讨了 DTR 在过度种植背景下的好处。索引术语 — 过度种植、动态热额定值、能量存储、最佳能源管理、随机动态规划
大脑如何将随机性转化为强大的记忆
之前对模仿大脑的人工智能系统（即神经网络）的研究表明，在神经网络活动中注入随机波动实际上可以提高它们在学习执行任务时的表现。然而，之前的研究是在相对简单的神经网络上进行的，这让人怀疑这种影响在现实生活中到底能发挥多大作用。
策略性强且无嫉妒的随机分配
考虑在一组代理中分配不可分割对象的问题——每个代理最多接收一个，我们假设他们对对象集有严格的偏好。此外，虽然对象的特征可能包括固定的货币支付，但没有额外的转移。这样的问题出现在许多现实生活中的应用中，例如校内住房（租金固定）、器官分配、与申请人优先级相关的学校选择等。每当几个代理想要消费同一个对象时，对象的不可分割性，加上没有任何补偿转移，将使任何确定性的分配变得不公平。这是在这种情况下实施随机分配的主要原因。由于代理的偏好是私人信息，随机分配机制的设计必须提供激励来如实报告它们（否则分配是基于错误的偏好）。此外，在许多应用中，