我们为面板数据开发了一个广义动态因子模型，目的是估计未观察到的指数。 虽然在动态因子分析的文献中已经开发了类似的模型，但我们的贡献是三方面的。 首先，与在每个时间段测量同一主题的多个属性的简单动态因素分析相反，我们的模型还考虑了多个主题。 因此它适用于面板数据框架。 其次，我们的模型为每个时间段的每个受试者估计了一个独特的未观察到的指数，这与之前使用所有受试者通用的时间指数的工作相反。 第三，我们开发了一种新颖的迭代估计过程，我们称之为两周期条件期望最大化 (2CCEM) 算法，并且足够灵活以处理各种不同类型的数据集。 该模型应用于测量与供水和卫生设施运营相关的属性的面板上。

We review the use of factor graphs for the modeling and solving of large-scale inference problems in robotics. Factor graphs are a family of probabilistic graphical models, other examples of which are Bayesian networks and Markov random fields, well known from the statistical modeling and machine learning literature. They provide a powerful abstraction that gives insight into particular inference problems, making it easier to think about and design solutions, and write modular software to perform the actual inference. We illustrate their use in the simultaneous localization and mapping problem and other important problems associated with deploying robots in the real world. We introduce factor graphs as an economical representation within which to formulate the different inference problems, setting the stage for the subsequent sections on practical methods to solve them.We explain the nonlinear optimization techniques for solving arbitrary nonlinear factor graphs, which requires repeatedly solving large sparse linear systems. The sparse structure of the factor graph is the key to understanding this more general algorithm, and hence also understanding (and improving) sparse factorization methods. We provide insight into the graphs underlying robotics inference, and how their sparsity is affected by the implementation choices we make, crucial for achieving highly performant algorithms. As many inference problems in robotics are incremental, we also discuss the iSAM class of algorithms that can reuse previous computations, re-interpreting incremental matrix factorization methods as operations on graphical models, introducing the Bayes tree in the process. Because in most practical situations we will have to deal with 3D rotations and other nonlinear manifolds, we also introduce the more sophisticated machinery to perform optimization on nonlinear manifolds. Finally, we provide an overview of applications of factor graphs for robot perception, showing the broad impact fa

这项工作提出了一种新颖的方法，通过使用机器学习（ML）技术来识别那些更有助于构建有效投资组合的指标，从而克服ESG评分中当前的不一致之处。 机器学习可以实现此结果，而无需基于模型的方法论，这是现代投资组合理论方法的典型代表。 通过我们的方法确定的ESG指标显示出歧视力，在考虑了Fama-French五因素模型确定的风格因素和BIRR模型的宏观经济因素后也具有区分力。 论文的新颖性是三方面的：a）分析了许多ESG指标，b）ML确保的无模型方法，以及c）区分了ESG特定指标对投资组合绩效的贡献与传统风格和宏观经济因素。 根据我们的结果，可从可用的原始ESG数据中提取更多信息内容以进行投资组合构建，并且使用我们的方法确定的一半ESG指标是环境方面的。 在环境指标中，有一些是指公司的风险敞口和应对气候变化风险（即过渡风险）的能力。

量化交易多因子模型。A five-factor model directed at capturing the size, value, profitability, and investment patterns in average stock returns performs better than the three-factor model of Fama and French (FF, 1993). The five-factor model's main problem is its failure to capture the low average returns on small stocks whose returns behave like those of firms that invest a lot despite low profitability. The model's performance is not sensitive to the way its factors are defined. With the addition of profitability and investment factors, the value factor of the FF three-factor model becomes redundant for describing average returns in the sample we examine.

机器人感知，因子图

SumProductLab 提供了一组用于构建因子图的基本因子节点。 人们可以通过实例化必要的约束节点、将它们连接起来并提供一些证据来尝试想法。 和积（或置信传播）算法将计算整个网络中每个节点的消息。 最后，可以计算图中任何变量的边际概率。 因子图可用于对各种系统进行建模。 这意味着可以使用相同的算法来解决不同性质的问题。 提供了示例来演示预定义因子节点的用法。 可以在随附的 SumProductLab 参考中找到更多信息。 有关启动和安装，请阅读 SumProductLab 快速启动。

Factor graphs, belief propagation and variational__inference.pdf

语言:English 显示影响因子/ jcr四分位数，通过影响因子/ jcr四分位数筛选搜索结果，更多 显示了影响因子（if）和jcr四分位数（q1 - q4） PubMed网页的期刊;通过影响因素或JCR四分位数过滤搜索结果;展开或折叠片段;显示或隐藏摘要。10月20日2020更新： - 优化。10月6日2020更新： - 展开或折叠片段;显示或隐藏摘要。8月26日2020更新： - 添加一些缺少的日记帐数据。现在我们的数据库涵盖了Pubmed的大部分期刊。 - 显示每个期刊的JCR四分位数信息（Q1 - Q4） - 添加复选框以根据JCR四分位数杂志过滤搜索结果7月26日2020更新： - 将影响因素数据库更新到2019年版本- Bug修复7月18日2020年更新： - 更新以反映PubMed网页标签名称的更改- Bug修复6月27日2020更新： - 添加了我们的Google电子表格中的一些缺少期刊的数据 - 通过删除对旧耻骨的支持来简化- Bug修复2月24日2020更新： - 使用幻灯片在网页的过滤器面板中设置过滤器（请参阅选项）- Bug修复2月20日2020年：更

使用通用公式计算的 4x4 平面阵列天线的 3D 阵列系数，然后以 3D 格式绘制。 “AB”表示元件的激励幅度，“AB_phase”表示它们的相位。 元素放置在 x 和 y 轴上，元素因子被忽略。 代码可以很容易地扩展到更大的通用数组。

Revision 1.0 April 2007 Intel