智能算法：Exponential Distribution Optimizer (EDO)指数分布优化器

链路概率模型 (LPM) 可用作指数随机图模型 (ERGM) 的替代方法来模拟网络数据。 LPM 根据基于历史频率的链接概率来表征网络。 在本文中，LPM 与 ERGM 进行了比较和对比。 通过将这两种方法应用于四个纵向数据集来检查这两种方法的相对效用。 描述了这两种方法在数据需求、可扩展性和假设方面的相对优势和劣势。

中位数 分布。 随机变量的为 其中lambda > 0是rate参数。 安装 $ npm install distributions-exponential-median 要在浏览器中使用，请使用 。 用法 var median = require ( 'distributions-exponential-median' ) ; 中位数（lambda [，opts]） 计算带有参数lambda的分布的。 lambda可以是number ， array ，typed array或matrix 。 var matrix = require ( 'dstructs-matrix' ) , data , mat , out , i ; out = median ( 0.5 ) ; // returns ~1.386 lambda = [ 0.5 , 1 , 2 , 4 ] ;

矩阵指数的计算方法，重点讲述了凯莱哈密尔顿定理在计算中的应用及详细的推导过程。The matrix exponential eAt forms the basis for the homogeneous (unforced) and the forced response of LTI systems. We consider here a method of determining eAt based on the the Cayley-Hamiton theorem.

熵 分布。 随机变量的为 其中lambda > 0是rate参数。 安装 $ npm install distributions-exponential-entropy 要在浏览器中使用，请使用 。 用法 var entropy = require ( 'distributions-exponential-entropy' ) ; 熵（lambda [，opts]） 计算参数为lambda的分布的。 lambda可以是number ， array ，typed array或matrix 。 var matrix = require ( 'dstructs-matrix' ) , data , mat , out , i ; out = entropy ( 0.5 ) ; // returns ~1.693 lambda = [ 0.5 , 1 , 2 , 4 ] ;

这个是 Jordan 老爷子和他的得意门徒 Martin J Wainwright 在 Foundation of Machine Learning Research 上的创刊号，可以免费下载，比较难懂，但是一旦读通了，graphical model 的相关内容就可以踏平了。

负指数分布

FAST AND ACCURATE DEEP NETWORK LEARNING BY EXPONENTIAL LINEAR UNITS (ELUS)（2016，Djork-Arn´e Clevert, Thomas Unterthiner & Sepp Hochreiter）

The sensitivity of diffuse optical tomography (DOT) imaging exponentially decreases with the increase of photon penetration depth, which leads to a poor depth resolution for DOT. In this letter, an exponential adjustment method (EAM) based on maximum singular value of layered sensitivity is proposed