因果推理工具是大多数科学结果背后的基本统计构件。因此，有一个共同商定的开源资源来提出和评估这些资源以及列出目前尚未解决的问题是极为有用的。这本书的内容涵盖了实施因果推理的统计方法所需的基本理论知识和技术技能。 这意味着: 了解编码因果关系的基本语言，了解推理的基本问题和直觉估计的偏差，了解计量经济学方法如何恢复治疗效果，能够计算这些估计值连同估计精度使用统计软件R。 这本书是为教学因果推理的研究生，希望运用因果推理的统计工具。提供了理论结果的演示，但最终目标不是让学生再现它们，而主要是使他们更好地理解他们将使用的工具的基础。重点是理解问题和解决方案，而不是理解后面的数学，即使数学存在并被用来严格地传达概念。所有的概念和估计值都是用一个数值例子和模拟来介绍的，以便每个概念都被说明，并显得更直观的学生。

由于大多数深度学习模型部署在嵌入式平台均出现推理速度过慢的情况，因此引用到tensorRT来加速推理深度学习模型，以yolov5为例，本文介绍了两种方式将yolov5在pytorch框架下训练出的.pt权重抓换成tensorRT的推理引擎。从而实现深度学习模型在嵌入式平台的部署与加速。本文实验平台为jetson nano及jetson TX2.加速效果明显

工具变量 (IV) 是一种常用的从观测数据进行因果推断的技术。 在实践中，IV 引起的变化可能是有限的，这会导致对因果效应的估计不准确或有偏差，并使该方法对政策决策无效。 我们通过将从候选外生数据构建工具变量的问题制定为机器学习问题来应对这一挑战。 我们提出了一种称为 MLIV（机器学习工具变量）的新算法，它允许从样本数据中同时执行工具学习和因果推断。 我们提供了正式的渐近理论，并展示了我们的估计量在非常一般的条件下的根 n 一致性和渐近效率。 对现实世界数据的模拟和应用表明，该算法非常有效，显着提高了从观测数据进行因果推断的性能。

人工智能第5章不确定性推理

归结推理方法

一个将OWL本体直接转换成贝叶斯网络的原型系统

人工智能自动推理

人工智能之确定性推理

SMSR Pytorch实施“探索图像超分辨率中的稀疏性以进行有效推理”，CVPR 2021 强调 在细粒度级别上查找和跳过SR网络中的冗余计算，以进行有效的推理。 通过显着降低FLOP并加快移动设备的速度来保持最先进的性能。 基于原始Pytorch API的稀疏卷积的有效实现，可更轻松地进行迁移和部署。 动机 网络架构 稀疏卷积的实现 为了更轻松地进行迁移和部署，我们使用基于原始Pytorch API的有效稀疏卷积实现，而不是通常基于CUDA的实现。 具体来说，首先从输入中提取稀疏特征，如下图所示。 然后，执行矩阵乘法以产生输出特征。 要求 Python 3.6 PyTorch == 1.1.0 麻木 skimage 意象 matplotlib cv2 火车 1.准备训练数据 1.1从或下载DIV2K训练数据（800个训练+ 100个验证图像）。 1.2根据HR和LR图像

移动社交网络为人们的生活带来了极大的便利，但用户在享受这些服务带来便利的同时，个人位置隐私受到了严重威胁。首先对用户位置隐私保护需求进行了形式化描述，继而针对用户的敏感兴趣点泄露问题，提出了一种情景感知的隐私保护方法。该方法将位置信息、社交关系、个人信息引入到知识构建算法中以计算兴趣点间的相关性，并利用该相关性及时空情景实时判断发布当前位置是否会泄露用户隐私，进而实现了隐私保护与服务可用性间的平衡。最后通过仿真实验验证了该方法的有效性。