贝叶斯网络是概率图形模型,可以紧凑地代表随机变量之间的依赖性。缺少数据和隐藏变量需要计算变量子集的边际概率分布。虽然了解边际概率分布的知识对于统计和机器学习中的各种问题至关重要,但由于该任务的NP硬度,其确切的计算通常不可能对分类变量不可行。我们使用贝叶斯网络的图形属性开发了分频和征服方法,以将边际概率分布的计算分成较低维度的子计算,降低整体计算复杂性。利用此属性,我们提出了一种估计分类变量的边际概率分布的有效和可扩展的算法。将新方法与基准测试中的最先进的近似推理方法进行比较,在那里显示出优异的性能。作为即时申请,我们展示了边际概率分布如何用于对贝叶斯网络的不完全数据进行分类,并使用这种方法来鉴定肾癌患者样品的癌症亚型。
translated by 谷歌翻译
ICECUBE是一种用于检测1 GEV和1 PEV之间大气和天体中微子的光学传感器的立方公斤阵列,该阵列已部署1.45 km至2.45 km的南极的冰盖表面以下1.45 km至2.45 km。来自ICE探测器的事件的分类和重建在ICeCube数据分析中起着核心作用。重建和分类事件是一个挑战,这是由于探测器的几何形状,不均匀的散射和冰中光的吸收,并且低于100 GEV的光,每个事件产生的信号光子数量相对较少。为了应对这一挑战,可以将ICECUBE事件表示为点云图形,并将图形神经网络(GNN)作为分类和重建方法。 GNN能够将中微子事件与宇宙射线背景区分开,对不同的中微子事件类型进行分类,并重建沉积的能量,方向和相互作用顶点。基于仿真,我们提供了1-100 GEV能量范围的比较与当前ICECUBE分析中使用的当前最新最大似然技术,包括已知系统不确定性的影响。对于中微子事件分类,与当前的IceCube方法相比,GNN以固定的假阳性速率(FPR)提高了信号效率的18%。另外,GNN在固定信号效率下将FPR的降低超过8(低于半百分比)。对于能源,方向和相互作用顶点的重建,与当前最大似然技术相比,分辨率平均提高了13%-20%。当在GPU上运行时,GNN能够以几乎是2.7 kHz的中位数ICECUBE触发速率的速率处理ICECUBE事件,这打开了在在线搜索瞬态事件中使用低能量中微子的可能性。
translated by 谷歌翻译
最近提出了瑞利回归模型,用于建模合成孔径雷达(SAR)图像像素的振幅值。但是,此类模型的推论基于最大似然估计器,这可能会对较小的信号长度产生偏差。SAR图像的瑞利回归模型通常会考虑到小像素窗口,这可能导致结果不准确。在这封信中,我们介绍了基于以下方面的瑞利回归模型量身定制的偏置调整的估计器;(i)Cox和Snell的方法;(ii)FIRTH的计划;(iii)参数引导法。我们提出了考虑合成和实际SAR数据集的数值实验。偏置调整后的估计器产生几乎公正的估计和准确的建模结果。
translated by 谷歌翻译
合成孔径雷达(SAR)数据中的异常值(异常值)的存在以及统计图像模型中的错误指定可能导致推断不准确。为了避免此类问题,提出了基于强大的估计过程的瑞利回归模型,作为模拟此类数据的更现实的方法。本文旨在获得瑞利回归模型参数估计量与异常值的存在。提出的方法考虑了加权最大似然法,并使用模拟和测量的SAR图像提交了数值实验。使用蒙特卡洛模拟来评估有限信号长度中提出的可靠估计器性能,对离群值的敏感性和分解点。例如,非稳定估计器显示相对偏置值$ 65 $ - 折叠比损坏信号中强大方法提供的结果大。在灵敏度分析和分解点方面,强大的方案在两种措施的平均绝对值中分别降低了约96美元\%$和$ 10 \%$,以同情非稳定估计器。此外,使用两个SAR数据集比较了所提出的强稳定方案的地面类型和异常检测结果与文献中的竞争方法。
translated by 谷歌翻译
本文基于Loeffler离散余弦变换(DCT)算法引入了矩阵参数化方法。结果,提出了一类新的八点DCT近似值,能够统一文献中几个八点DCT近似的数学形式主义。帕累托效率的DCT近似是通过多准则优化获得的,其中考虑了计算复杂性,接近性和编码性能。有效的近似及其缩放的16和32点版本嵌入了图像和视频编码器中,包括类似JPEG的编解码器以及H.264/AVC和H.265/HEVC标准。将结果与未修饰的标准编解码器进行比较。在Xilinx VLX240T FPGA上映射并实现了有效的近似值,并评估了面积,速度和功耗。
translated by 谷歌翻译
在本文中,提出了基于陈的分解的两个8点无乘法DCT近似值,并得出了它们的快速算法。通过计算成本,误差能量和编码增益来评估这两种转换。进行具有JPEG样图像压缩方案的实验,并将结果与竞争方法进行比较。根据JRIDI-Alfalou-Meher算法将提出的低复杂性变换缩放,以实现16分和32分的近似值。新的转换集嵌入了HEVC参考软件中,以提供完全符合HEVC的视频编码方案。我们表明,近似转换可以以非常低的复杂性成本胜过传统变换和最先进的方法。
translated by 谷歌翻译
在本文中,我们提出了Beta自回归移动平均模型的五个预测间隔。该模型适用于在间隔$(0,1)$中假设值的建模和预测变量。提出的两个预测间隔是基于近似值,考虑到β分布的正态分布和分位功能。我们还考虑基于自举的预测间隔,即:(i)自举预测错误(BPE)间隔; (ii)偏置校正和加速度(BCA)预测间隔; (iii)基于两种不同的自举计划的引导程序预测值的分位数的百分位预测间隔。根据蒙特卡洛模拟评估了提出的预测间隔。 BCA预测间隔在评估的间隔中提供了最佳性能,显示出较低的覆盖率失真和较小的平均长度。我们应用了我们的方法来预测巴西S \ ao Paulo的Cantareira供水系统的水位。
translated by 谷歌翻译
Karhunen-Lo \`eve变换(KLT)通常用于数据去相关性和维度减少。由于其计算取决于输入信号的协方差矩阵,因此通过开发快速算法实现它的难度来严重限制KLT在实时应用中的使用严重限制。在这种情况下,本文提出了一种新的低复杂性变换,通过应用圆形函数来获得KLT矩阵的元素来获得的。评估所提出的变换,考虑到测量所提出的近似与精确KLT的编码功率和距离的优点,并且还在图像压缩实验中探讨。引入了提出的近似变换的快速算法。结果表明,所提出的变换在图像压缩中表现良好,需要低实现成本。
translated by 谷歌翻译
The recent increase in public and academic interest in preserving biodiversity has led to the growth of the field of conservation technology. This field involves designing and constructing tools that utilize technology to aid in the conservation of wildlife. In this article, we will use case studies to demonstrate the importance of designing conservation tools with human-wildlife interaction in mind and provide a framework for creating successful tools. These case studies include a range of complexities, from simple cat collars to machine learning and game theory methodologies. Our goal is to introduce and inform current and future researchers in the field of conservation technology and provide references for educating the next generation of conservation technologists. Conservation technology not only has the potential to benefit biodiversity but also has broader impacts on fields such as sustainability and environmental protection. By using innovative technologies to address conservation challenges, we can find more effective and efficient solutions to protect and preserve our planet's resources.
translated by 谷歌翻译
We present the interpretable meta neural ordinary differential equation (iMODE) method to rapidly learn generalizable (i.e., not parameter-specific) dynamics from trajectories of multiple dynamical systems that vary in their physical parameters. The iMODE method learns meta-knowledge, the functional variations of the force field of dynamical system instances without knowing the physical parameters, by adopting a bi-level optimization framework: an outer level capturing the common force field form among studied dynamical system instances and an inner level adapting to individual system instances. A priori physical knowledge can be conveniently embedded in the neural network architecture as inductive bias, such as conservative force field and Euclidean symmetry. With the learned meta-knowledge, iMODE can model an unseen system within seconds, and inversely reveal knowledge on the physical parameters of a system, or as a Neural Gauge to "measure" the physical parameters of an unseen system with observed trajectories. We test the validity of the iMODE method on bistable, double pendulum, Van der Pol, Slinky, and reaction-diffusion systems.
translated by 谷歌翻译