Artificial Intelligence and Statistical Techniques in Short-Term Load Forecasting: A Review
电力公司依赖于短期需求预测,以主动调整生产和分配的预期重大变化。该系统综述分析了2000年至2019年期间发表在学术期刊上的240篇论文,这些论文专注于将人工智能(AI),统计和混合模型应用于短期负荷预测(STLF)。这项工作是迄今为止对这一主题的工作进行的最全面的审查。对文献进行了完整的分析,以确定最流行和最准确的技术以及现有的差距。研究结果表明,尽管人工神经网络(ANN)仍然是最常用的独立技术,但研究人员一直非常倾向于选择不同技术的混合组合,以利用单个方法的综合优势。审查表明,它通常是可能的,这些混合组合,以实现预测精度超过99%。最成功的短期预报持续时间被确定为以小时为间隔的一天的预测。审查发现,在获取培训模型所需的数据集方面存在缺陷。在亚洲、欧洲、北美和澳大利亚以外的研究区域,发现了一个重大差距。
2021-12-29 cs.AI cs.LG eess.SP
No Intelligence Without Statistics: The Invisible Backbone of Artificial Intelligence
School of Mathematics and Statistics(数学与统计学学院);Rochester Institute of Technology(罗切斯特理工学院)
本文论证统计学是人工智能的核心理论基础,拆解AI的九大支柱均源于统计原理,提出统计是AI的“大脑”、计算机科学是“肌肉”,呼吁重归统计基础以构建更可靠的智能系统。
2025-10-22 cs.AI stat.ME
Epistemic Artificial Intelligence is Essential for Machine Learning Models to Truly 'Know When They Do Not Know'
Oxford Brookes University(牛津布鲁克斯大学);TU Delft(代尔夫特理工大学);KU Leuven(鲁汶大学)
针对AI模型在不确定性和非训练数据下泛化能力不足的问题,提出向认识论人工智能的范式转变,利用二阶不确定性度量让模型在学习已知的同时承认无知,从而提升系统的弹性和稳健性。
2025-06-27 cs.AI
Artificial Intelligence and Statistics
University of California at Berkeley(加州大学伯克利分校)
人工智能(AI)本质上是数据驱动的。它要求在数据生成、算法开发和结果评估过程中通过人机协作应用统计概念。本文讨论了如何通过人口,感兴趣的问题,训练数据的代表性和结果的审查(PQRS)的统计概念,这样的人机协作可以接近。PQRS工作流程提供了一个概念框架,用于将统计思想与人类输入整合到AI产品和研究中。这些思想包括随机化和局部控制的试验设计原则以及稳定性原则,以获得算法和数据结果的可重复性和可解释性。我们讨论了这些原则在自动驾驶汽车、自动医疗诊断以及作者合作研究中的例子中的应用。
2017-12-08 cs.AI stat.ML
A new direction to promote the implementation of artificial intelligence in natural clinical settings
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学);Capital Medical University(首都医科大学);Shenzhen University(深圳大学)
人工智能(AI)研究人员声称他们在临床领域取得了巨大的“成就”。然而,临床医生指出,所谓的“成就”没有能力落实到自然的临床环境中。造成这一巨大差距的根本原因是,没有医学背景的人工智能系统开发人员忽视了自然临床任务的许多基本特征。在本文中,我们提出临床基准套件是一个新的和有前途的方向,以捕捉现实世界的临床任务的基本特征,因此有资格指导人工智能系统的开发,促进人工智能在现实世界的临床实践中的实施。
2019-05-08 cs.AI
Position: Olfaction Standardization is Essential for the Advancement of Embodied Artificial Intelligence
Dept. of Computer Science University of Texas at Dallas(计算机科学系德克萨斯大学达拉斯分校);Dept. of Computer Science ETH Zurich(计算机科学系瑞士联邦理工学院苏黎世分校)
本文指出嗅觉被忽视阻碍了具身AI发展,呼吁跨学科合作以建立标准化嗅觉基准、多模态数据集和感官能力,从而构建真正具身且符合伦理的AI系统。
2025-05-31 cs.AI cs.RO
A Review of Artificial Intelligence Impacting Statistical Process Monitoring and Future Directions
Kansas State University(堪萨斯州立大学)
本文综述了人工智能与机器学习在统计过程监控中的应用,涵盖分类、模式识别等方向及多种神经网络,并提出利用大型多模态模型推动向智能过程控制转变的未来方向。
2025-02-23 cs.AI cs.SY eess.SY
Statistical Perspectives on Reliability of Artificial Intelligence Systems
Virginia Tech(弗吉尼亚理工大学)
人工智能(AI)系统在许多领域变得越来越流行。尽管如此,人工智能技术仍处于发展阶段,许多问题需要解决。其中,人工智能系统的可靠性需要得到证明,以便公众可以放心地使用人工智能系统。在本文中,我们提供了关于AI系统可靠性的统计观点。与其他考虑因素不同,人工智能系统的可靠性侧重于时间维度。也就是说,系统可以在预期的时间段内执行其设计的功能。我们介绍了一个所谓的SMART统计框架的AI可靠性研究,其中包括五个组成部分:系统的结构,可靠性测试,故障原因分析,可靠性评估和测试规划。我们回顾了可靠性数据分析和软件可靠性的传统方法,并讨论了如何将现有的方法转化为人工智能系统的可靠性建模和评估。我们还描述了人工智能可靠性建模和分析的最新发展,并概述了这一领域的统计研究挑战,包括分布外检测、训练集的影响、对抗攻击、模型准确性和不确定性量化,并讨论了这些主题如何与人工智能可靠性相关,并提供了说明性示例。最后,我们讨论了人工智能可靠性评估的数据汇集和测试规划,以及如何改进系统设计以获得更高的人工智能可靠性。本文件最后提出了一些结论性意见。
2021-11-09 cs.AI cs.SE stat.AP
Efficacy of Statistical and Artificial Intelligence-based False Information Cyberattack Detection Models for Connected Vehicles
Clemson University(克莱姆森大学);Benedict College(本尼迪克特学院)
互联车辆(CV)由于与其他CV和互联基础设施的外部连接,很容易受到网络攻击,这些攻击可能会立即危及车辆本身以及其他互联车辆和道路基础设施的安全。其中一种网络攻击是虚假信息攻击,外部攻击者将不准确的信息注入联网车辆,最终可能通过危及安全关键应用(如前向碰撞警告)而导致灾难性后果。这种攻击事件的发生和目标可能非常动态,使得实时和近实时检测具有挑战性。变点模型,可用于实时异常检测所造成的虚假信息攻击。在本文中,我们评估了三种基于变化点的统计模型:期望最大化,累积求和和贝叶斯在线变化点算法,用于CV数据中的网络攻击检测。此外,数据驱动的人工智能(AI)模型可用于检测数据集中已知和未知的潜在模式,具有检测CV数据中实时异常的潜力。我们使用了六种AI模型来检测虚假信息攻击,并将检测攻击的性能与我们开发的变点模型进行了比较。我们的研究表明,变点模型在实时虚假信息攻击检测中的性能优于人工智能模型。具有无训练要求的优点的变点模型可以成为AI模型的可行且计算效率高的替代方案,用于联网车辆中的虚假信息攻击检测。
2021-08-02 cs.AI cs.CR cs.LG
Universal statistical signatures of evolution in artificial intelligence architectures
Independent researcher(独立研究者)
研究人工智能架构进化是否遵循与生物进化相同的统计规律,发现其进化分布符合学生t分布,具有独特的适应性特征,表明进化统计结构由适应性景观拓扑决定。
2026-04-12 cs.AI cs.CY cs.NE
Very simple statistical evidence that AlphaGo has exceeded human limits in playing GO game
National Institute for Mathematical Sciences(韩国数学科学研究所)
深度学习技术在解决人工智能的挑战性问题方面取得了巨大进展,因此基于人工神经网络的机器学习再次成为人们关注的焦点。在某些领域,基于深度学习的人工智能已经超出了人类的能力。机器在围棋比赛中击败人类似乎非常困难,但AlphaGo已经在比赛中击败了职业选手。通过观察连续放置棋子的距离的统计分布,我们发现了一个清晰的痕迹,即Alphago已经超越了人类的能力。而AlphaGo比职业棋手和职业棋手比普通棋手在距离上的落子显示变得更加频繁。此外,AlphaGo表现出了比普通棋手和职业棋手明显得多的差异。
2020-02-25 cs.AI
Artificial Intelligence and Spontaneous Collusion
Google Research(谷歌研究院);Stanford GSB(斯坦福大学商学院)
本文提出一个可处理模型研究学习算法间的策略互动,揭示算法合谋源于估计中的内生统计关联——自发耦合,并据此预测合谋出现的市场条件,为算法市场设计提供理论依据。
2023-09-19 cs.AI cs.GT econ.TH
GENEOnet: Statistical analysis supporting explainability and trustworthiness
University of Milan(米兰大学);University of Pisa(比萨大学);LIGHT S.c.a.r.l.;Dompé Farmaceuici S.p.A.(多姆佩制药股份公司)
本文通过参数敏感性、等变性比较及分子动力学扰动实验,统计验证计算生物化学网络 GENEOnet 的可解释性、可信性与鲁棒性。
2025-03-12 cs.AI cs.LG q-bio.BM
Entropy, concentration, and learning: a statistical mechanics primer
本入门研究从统计力学视角探讨AI与机器学习的物理基础,基于样本集中行为与指数族,揭示统计、物理和信息论间的关键联系。
2024-09-27 cond-mat.stat-mech cs.AI cs.IT
Artificial Intelligence for In Silico Clinical Trials: A Review
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Carle Illinois College of Medicine(卡勒伊利诺伊医学院);IQVIA(艾昆纬)
临床试验是药物开发的重要步骤,通常成本高昂且耗时。计算机模拟试验是通过模拟和建模进行的数字化临床试验,作为传统临床试验的替代方案。人工智能支持的计算机模拟试验可以通过创建虚拟队列作为对照来增加病例组规模。此外,它还可以实现试验设计的自动化和优化,并预测试验成功率。本文系统地回顾了三个主题下的论文:临床模拟,个性化预测建模和计算机辅助试验设计。我们专注于如何机器学习(ML)可以在这些应用程序中应用。特别是,我们提出了机器学习的问题制定和可用的数据源,为每个任务。最后,我们讨论了人工智能在现实世界应用中的挑战和机遇。
2022-09-16 cs.AI cs.LG q-bio.QM
World Models in Artificial Intelligence: Sensing, Learning, and Reasoning Like a Child
TECNALIA, Basque Research & Technology Alliance (BRTA)(泰克纳利亚,巴斯克研究与技术联盟(BRTA));University of the Basque Country (UPV/EHU)(巴斯克大学(UPV/EHU));Medical University Graz(格拉茨医科大学);University of Natural Resources and Life Sciences Vienna(维也纳自然资源与生命科学大学)
针对现有世界模型缺乏儿童式结构化自适应表征的问题,提出受皮亚杰认知发展理论启发的框架,指出六大关键研究方向,推动AI从模式识别迈向真正的理解与推理。
2025-03-19 cs.AI cs.CV cs.ET
Practical Statistical Considerations for the Clinical Validation of AI/ML-enabled Medical Diagnostic Devices
Food and Drug Administration(美国食品药品监督管理局)
人工智能(AI)和机器学习(ML)模型越来越多地用于医疗产品,如医疗设备软件。本文讨论了AI/ML启用医疗诊断器械评价统计方面的一般考虑。我们还提供了相关的学术参考资料,并指出了在预期用途背景下应对AI/ML医疗器械临床验证中各种统计挑战的良好实践。
2023-03-02 cs.AI cs.CY stat.ME
A Simple Generative Model of Logical Reasoning and Statistical Learning
School of Computer Science(计算机科学系);Informatics, Cardiff University(信息学,卡迪夫大学)
本文提出一个基于贝叶斯方法的简单模型,统一逻辑推理与统计学习,通过形式逻辑的可满足性建模数据生成符号知识,实现精确推断和理论正确性。
2026-02-23 cs.AI
Reliability Analysis of Artificial Intelligence Systems Using Recurrent Events Data from Autonomous Vehicles
Virginia Tech(弗吉尼亚理工大学);SAS(赛仕软件公司);Iowa State University(爱荷华州立大学)
人工智能(AI)系统已经变得越来越普遍,这一趋势将继续下去。人工智能系统的示例包括自动驾驶汽车(AV)、计算机视觉、自然语言处理和人工智能医疗专家。为了安全有效地部署人工智能系统,需要评估这些系统的可靠性。传统的可靠性评估是基于可靠性测试数据以及随后的统计建模和分析。然而,人工智能系统可靠性数据的可用性是有限的,因为这些数据通常是敏感和专有的。加州机动车辆管理局(DMV)负责监督和管理AV测试计划,许多AV制造商正在进行AV道路测试。参与该计划的制造商必须向加州DMV报告经常性的脱离事件。这些信息正在向公众提供。在本文中,我们使用经常性的脱离事件作为代表的AI系统在AV的可靠性,并提出了一个统计框架建模和分析的经常性事件数据从AV驾驶测试。针对软件可靠性中传统的参数模型,提出了一种基于单调样条函数的非参数模型来描述事件过程。我们开发的推理程序,选择最好的模型,量化的不确定性,并测试在事件过程中的异质性。然后,我们分析了来自四个AV制造商的重复事件数据,并对AV中的AI系统的可靠性进行了推断。我们还描述了如何将所提出的分析应用于评估其他AI系统的可靠性。
2021-02-02 cs.AI stat.AP
A Literature Review of Literature Reviews in Pattern Analysis and Machine Intelligence
VCIP, CS, Nankai University, Tianjin 300000 , China(VCIP、计算机科学系、南开大学、天津)
本研究对PAMI领域3000多篇综述进行三级分析,构建RiPAMI数据库,提出超越引用计数的指标引导导航策略,并评估AI生成综述的进展与不足,展望其作为传统综述的补充。
2025-09-06 cs.AI cs.CV cs.DL