XiaoMi-AI文件搜索系统
World File Search System预测误差
根据机载激光扫描得出的树木直径建模...
过去，在野外准确测量树高比测量树胸高更困难。因此，林业文献中广泛开发了根据直径测量预测树高模型。通过使用机载激光扫描技术（例如 LiDAR），可以准确测量树高和树冠直径等树木变量，这一发展催生了对根据机载激光测量预测直径的模型的需求。尽管已经进行了一些拟合此类模型的工作，但没有一个模型能够结合空间信息来提高预测直径的准确性。使用简单的线性模型，根据激光测得的树高和树冠直径测量结果预测树木直径，我们比较了普通最小二乘法 (OLS)、具有非零相关结构的广义最小二乘法 (GLS)、线性混合效应模型 (LME) 和地理加权回归 (GWR) 的性能。我们的数据来自挪威建立的 36 个样地。这是第一项研究树木级 LiDAR 数据的空间统计模型使用情况的研究。使用 LME 预测树木直径的误差为 3.5%，使用 GWR 预测误差为 10%，使用 OLS 预测误差为 17%。LME 在所有验证类中的预测性能也表现出较低的变异性。考虑到使用参数统计推断（例如基于最大似然的指数）对 GWR 的困难，我们使用置换检验和引导法作为检测统计差异的方法。LME 明显优于其他模型，GWR 优于 OLS 和 GLS。我们的结果表明，LME 模型根据基于 LiDAR 的变量对树木直径的预测效果最佳，达到以前无法达到的程度。
根据机载激光扫描得出的树木直径建模...
过去，在野外准确测量树高比测量树胸高更困难。因此，林业文献中广泛开发了根据直径测量预测树高模型。通过使用机载激光扫描技术（例如 LiDAR），可以准确测量树高和树冠直径等树木变量，这一发展催生了对根据机载激光测量预测直径的模型的需求。尽管已经进行了一些拟合此类模型的工作，但没有一个模型能够结合空间信息来提高预测直径的准确性。使用简单的线性模型，根据激光测得的树高和树冠直径测量结果预测树木直径，我们比较了普通最小二乘法 (OLS)、具有非零相关结构的广义最小二乘法 (GLS)、线性混合效应模型 (LME) 和地理加权回归 (GWR) 的性能。我们的数据来自挪威建立的 36 个样地。这是第一项研究树木级 LiDAR 数据的空间统计模型使用情况的研究。使用 LME 预测树木直径的误差为 3.5%，使用 GWR 预测误差为 10%，使用 OLS 预测误差为 17%。LME 在所有验证类中的预测性能也表现出较低的变异性。考虑到使用参数统计推断（例如基于最大似然的指数）对 GWR 的困难，我们使用置换检验和引导法作为检测统计差异的方法。LME 明显优于其他模型，GWR 优于 OLS 和 GLS。我们的结果表明，LME 模型根据基于 LiDAR 的变量对树木直径的预测效果最佳，达到以前无法达到的程度。
神经网络中非线性潜在结构的动态灵活推理
流形潜在因子和神经观测之间的关系用带有 MLP 编码器和解码器网络的自动编码器 154 建模，其中流形潜在因子是瓶颈 155 表示。从神经观测到流形潜在因子的虚线仅用于 156 推理，不是生成模型的一部分。动态和流形潜在因子共同形成 157 LDM，其中流形因子是动态因子的噪声观测，构成 158 LDM 状态。动态潜在因子的时间演变用线性动态 159 方程描述。所有模型参数（LDM、自动编码器）都是在单次优化中联合学习的，通过最小化未来神经观测与过去的预测误差。在无监督 161 版本中，在训练 DFINE 模型之后，我们使用映射器 MLP 网络来学习 162 流形潜在因子和行为变量之间的映射。我们还扩展到监督式 DFINE，其中映射器 MLP 网络与所有其他模型参数同时进行训练，以达到优化效果，现在可以最小化神经和行为预测误差（方法）。（b）显示了使用 DFINE 的推理过程。我们首先使用每个时间点的非线性流形嵌入来获得流形潜在因子的噪声估计。借助动态方程，我们使用卡尔曼滤波来推断动态潜在因子 𝐱𝐱 𝑡𝑡|𝑘𝑘 并改进我们对流形潜在因子 𝐚𝐚 𝑡𝑡|𝑘𝑘 的估计，下标为
人工智能技术在非常规领域的应用
提高非常规天然气产量预测速度和准确性是科学高效开发非常规资源的关键。现有的基于传递机制的预测方法对模型进行了假设和简化，难以全面准确地评估产能主控因素，导致产量预测误差较大。本文提出了一种基于人工智能（AI）和数据挖掘技术的非常规天然气井产能预测方法。利用皮尔逊相关系数和灰色关联分析筛选出主控因素，通过训练和比较多种常用的机器学习方法，优选出最佳产量智能预测模型。本文以加拿大阿尔伯塔省致密气田为例，说明该方法的有效性和实用性。
自由能原理导致区域化
自由能原理 (FEP) 指出，任何能够随时间而存续的系统都会以某种方式运作，以保持系统与环境之间边界的完整性 [1]。系统通过进行主动推理来实现这一点，即 1) 学习更好地预测并因此预测环境的行为，以及 2) 作用于环境以改变其状态，从而改变其行为以符合预测 [2,3,4,5]。两种情况下的成功标准都是长期预测误差的减少，这可以按照 [6] 正式表述为变分自由能 (VFE) 的长期减少。因此，FEP 可以更正式地表述为，任何能够随时间而存续的系统都会以某种方式运作，以长期降低系统与环境之间边界测量的 VFE。
有偏见的程序员？还是有偏见的数据？人工智能伦理操作化实地实验
为什么会出现有偏见的算法预测，以及哪些干预措施可以防止它们？我们通过一项关于使用机器学习预测人力资本的现场实验来研究这个主题。我们随机分配约 400 名人工智能工程师开发软件，以预测不同实验条件下经合组织居民的标准化考试成绩。然后，我们使用实际的测试表现以及通过随机审计式的算法输入操作来评估由此产生的预测算法。我们还利用了受试者人群的多样性来衡量人口统计学上非传统的工程师是否更有可能注意到并减少算法偏差，以及算法预测误差是否与程序员人口统计学群体相关。本文档描述了我们的实验设计和动机；我们实验的完整结果可在 https://ssrn.com/abstract=3615404 上找到。
大脑中的分布式强化学习
了解奖励和惩罚对于生存至关重要。经典研究表明，哺乳动物中脑多巴胺神经元环与强化学习算法的奖励预测误差之间存在令人印象深刻的对应关系，这表示实际奖励与预测平均奖励之间的差异。然而，不仅要学习潜在奖励的平均值，还要学习其完整分布，这可能是有益的。机器学习的最新进展揭示了一套生物学上可行的算法，用于根据经验重建这种奖励分布。在这里，我们回顾了这些算法的数学基础以及它们在神经生物学上实现的初步证据。最后，我们重点介绍了有关这些分布代码的电路计算和行为读出的未解决的问题。
预测工作匹配质量：机器学习方法
本文开发了基于大规模的算法应用程序，以提高劳动力市场的比赛质量。我们使用有关德国就业传记的全面行政数据来预测工作稳定和工资方面的工作匹配质量。这些模型均通过机器学习（ML）（即XGBoost）和常见的统计方法（即OLS，Logit）估算。与后一种方法相比，我们发现XGBoost在模式识别方面的性能更好，以有效的方式分析大量数据，并最大程度地减少应用程序中的预测误差。最后，我们将结果与算法相结合，这些算法优化了匹配概率，以根据每个求职者的个人特征提供排名的作业建议列表。此应用程序可以支持案例工作者和求职者扩大其求职策略。
事件感知：思维 - 脑透视
人们在离散事件方面认为和想象活动。在这里，作者提出了一个理论，该理论是根据持续的感知处理引起的，对事件之间的边界感知并调节注意力和记忆。感知系统不断就接下来会发生的事情进行预测。当出现预测中的瞬态误差时，就会感知事件边界。根据理论，对事件的看法取决于感官提示和知识结构，这些感官提示和知识结构代表了先前学习的有关事件零件的信息以及有关演员目标和计划的推论。神经系统和神经生理学数据表明，事件的表示可能是由横向前额叶皮层中的结构来实现的，并且通过处理途径（包括前扣带回途径）计算并评估了感知预测误差，包括前扣带回皮层和皮质下皮质神经瘤系统。
考虑源-荷不确定性的协调调频策略
方法：首先，根据风电机组运行特性和减负荷率划分风速区间，在此基础上提出基于转子转速控制和桨距角控制的减负荷运行策略，使风电机组具备双向调频能力，并根据风速预测误差和减负荷运行策略确定风电机组可调容量；其次，基于考虑离网时间不确定性的电动汽车可控域模型，根据电动汽车充电紧急程度，通过对荷电状态（SOC）进行状态分组确定电动汽车群可调容量。通过定义电动汽车调频能力参数和充电紧急程度参数，确定电动汽车调频优先级列表并提出功率分配策略；然后，基于电动汽车充电紧急程度和风电机组减负荷运行经济性，提出协同调频任务分配策略。