XiaoMi-AI文件搜索系统
World File Search System预测误差
用于图形搜索问题的基于学习的算法
我们考虑了Banerjee等人最近引入的预测图形搜索问题。（2023）。在此问题中，从某个顶点r开始的代理必须使用A（可能未知的）图G找到隐藏的目标节点G，同时最小化总距离。我们研究一个设置，在该设置中，在任何节点V中，代理都会收到从V到G的距离的嘈杂估计。我们在未知的图表上为此搜索任务设计算法。我们在未知的加权图上建立了第一个正式保证，并提供了下限，表明我们提出的算法对预测误差具有最佳或几乎最佳的依赖性。此外，我们进行了数值实验，证明除了对对抗性误差造成反对，我们的算法在误差是随机的典型情况下都很好地形成。最后，我们在Banerjee等人的属性上提供了更改的天然简单性能界限。（2023）对于在已知图表上进行搜索的情况，并为此设置建立新的下限。
预测性思维可以代表时间吗？关键...
抽象的预测处理是在认知神经科学中开发的越来越流行的解释框架。它认为大脑是一种预测机器，试图最大程度地减少预测误差。还采用了预测性处理来解释有意识的经验的各个方面。在本文中，我从侯赛利亚人的角度批判性地评估了租赁租赁预测处理方法，以实现时间意识的现象学。为此，我介绍了正统的预测处理的概念，以参考对认知的代表性观点的预测处理框架的解释。事实证明，鉴于他们对大脑功能和感知的代表性观点的承诺，当前的预性处理说明是正统的，另一方面，它们对想象力对感知的首要地位的依赖。但是，我认为，这种说法实际上更接近康德布伦坦的方法，而不是对时间意识的现象学，而不是他们试图解决的侯赛利亚人的叙述。
主动推理系统中的控制流第二部分 - UCL Discovery
摘要 — 生命系统既面临环境的复杂性，又面临自由能资源的有限获取。在这些条件下生存需要一个控制系统，该系统能够以特定于环境的方式激活或部署可用的感知和行动资源。在第一部分中，我们介绍了自由能原理 (FEP) 和主动推理作为贝叶斯预测误差最小化的思想，并展示了主动推理系统中控制问题的产生方式。然后，我们回顾了 FEP 的经典和量子公式，前者是后者的经典极限。在第二部分中，我们展示了当系统被描述为执行由 FEP 驱动的主动推理时，它们的控制流系统始终可以表示为张量网络 (TN)。我们展示了如何在量子拓扑神经网络的一般框架内实现 TN 作为控制系统，并讨论了这些结果对在多个尺度上建模生物系统的意义。
财政风险报告 – 2021 年 7 月
预算责任办公室（OBR）成立于 2010 年，旨在审查和报告公共财政的可持续性。为履行这一职责，我们努力寻找更好的方式来捕捉和传达经济和财政风险。自从 2010 年第一份经济和财政展望（EFO）以来，我们一直通过基于历史预测误差的关键经济和财政总量的概率范围（“扇形图”）来强调我们核心经济和财政预测的不确定性程度。我们每半年发布一次的 EFO 还提供了替代方案和敏感性分析，以说明改变关键预测判断的影响。我们的财政可持续性报告（FSR）中的长期预测包括对关键人口、宏观经济和其他假设变化的敏感性分析。在过去的一年里，我们比以往任何时候都更加依赖情景分析来说明围绕冠状病毒大流行路径以及公共卫生和财政政策应对的巨大不确定性。
用于图形搜索问题的基于学习的算法
我们考虑了Banerjee等人最近提出的图表搜索问题。（2023）。在此问题中，从某个顶点r开始的代理必须穿越A（可能未知的）图G以找到隐藏的目标节点G，同时最小化总距离。我们研究一个设置，在该设置中，在任何节点V中，代理都会收到从V到G的距离的嘈杂估计。我们在未知图上为此搜索任务设计算法。我们在未知的加权图上建立了第一个正式保证，并提供了下限，表明我们提出的算法对预测误差具有最佳或几乎最佳的依赖性。此外，我们执行的数值实验表明，除了对对抗误差鲁棒性外，我们的算法在误差是随机的典型情况下表现良好。最后，我们在Banerjee等人的算法上提供了更简单的性能界限。（2023）对于在已知图表上进行搜索的情况，并为此设置建立新的下限。
塞缪尔·戴维·麦克杜格尔
2025 – 2029 美国国立卫生研究院，R01NS134754 总计：2,277,758 美元 上肢和语音适应中的基本预测计算 角色：MPI（与 Caroline Niziolek、Benjamin Parrell 和 Jordan Taylor 合作） 2024 – 2028 美国国立卫生研究院，R01MH133886 总计：3,652,686 美元 学习、决策和记忆的神经计算 角色：Co-I（PI：Ifat Levy 教授） 2023 – 2027 美国国立卫生研究院，R01NS132926 总计：2,093,750 美元 人类小脑中的广义预测误差 角色：PI 2022 – 2024 耶鲁大学吴仔研究所，创新资助 总计： $150,000 用于运动检测的领域通用神经算法 角色：联合 PI（与 Damon Clark 教授合作） 2023 Meta，无限制研究礼物 总计：$25,000 角色：PI 2022 – 2023 耶鲁大学，Seesel 博士后招聘捐赠奖 总计：$75,000 小脑在基于奖励的学习中的作用：对神经计算的影响 角色：PI
自动感官预测
人类大脑具有惊人的能力，可以整合来自环境的感官信息流，并自动对未来事件做出预测。尽管最初是为视觉处理而开发的，但大部分预测编码研究后来都集中在听觉处理上，著名的失配负性信号可能是最受研究的意外或预测误差 (PE) 信号特征。听觉 PE 存在于各种意识状态中。有趣的是，它们的存在和特征与意识的残留水平和意识的恢复有关。在这篇综述中，我们首先概述了听觉模态中预测过程的神经基础及其与意识的关系。然后，我们关注不同的意识状态——清醒、睡眠、麻醉、昏迷、冥想和催眠——以及预测处理能够揭示大脑在这些状态下运作的奥秘。我们回顾了研究听觉预测的神经特征如何受到意识减弱或缺乏状态的调节的研究。作为未来的展望，我们提出将电生理学和计算技术结合起来，以便研究当意识消失时哪些感觉预测过程能够得以维持。
卷积神经网络的集成学习
我们在 2019 年预测分析大赛 (PAC) 中名列第三，通过 T1 加权 MRI 脑部图像预测年龄，平均绝对误差 (MAE) 达到 3.33 岁。我们的方法结合了七种算法，当特征数量超过观测值数量时，这些算法可以生成预测，特别是两个版本的最佳线性无偏预测器 (BLUP)、支持向量机 (SVM)、两个浅层卷积神经网络 (CNN) 以及著名的 ResNet 和 Inception V1。集成学习是通过在训练样本的保留子集中的线性回归估计权重而得出的。我们进一步评估并确定了可能影响预测准确性的因素：算法的选择、集成学习以及用作输入/MRI 图像处理的特征。我们的预测误差与年龄相关，年龄较大的参与者的绝对误差更大，这表明需要增加该子群的训练样本。我们的研究结果可用于指导研究人员建立健康个体的年龄预测指标，可用于研究和临床，作为疾病状况的非特异性预测指标。
卷积集成学习 - LEAD
我们在 2019 年预测分析大赛 (PAC) 中名列第三，通过 T1 加权 MRI 脑部图像预测年龄，平均绝对误差 (MAE) 达到 3.33 岁。我们的方法结合了七种算法，当特征数量超过观测值数量时，这些算法可以生成预测，特别是两个版本的最佳线性无偏预测器 (BLUP)、支持向量机 (SVM)、两个浅层卷积神经网络 (CNN) 以及著名的 ResNet 和 Inception V1。集成学习是通过在训练样本的保留子集中的线性回归估计权重而得出的。我们进一步评估并确定了可能影响预测准确性的因素：算法的选择、集成学习以及用作输入/MRI 图像处理的特征。我们的预测误差与年龄相关，年龄较大的参与者的绝对误差更大，这表明需要增加该子群的训练样本。我们的研究结果可用于指导研究人员建立健康个体的年龄预测指标，可用于研究和临床，作为疾病状况的非特异性预测指标。
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