Loading...
前言
机构名称：

前言

¥ 3.0
热度

6 北约尚未就网络威胁达成统一定义；然而，最常见的定义之一是任何可能通过未经授权的访问、破坏、披露、修改信息和/或拒绝服务等方式，对组织运营（包括使命、职能、形象或声誉）、组织资产、个人、其他组织或国家造成不利影响的情况或事件。（美国国家标准与技术研究所 (NIST) - 计算机安全资源中心 (CSRC)）

添加pdf代下载 VIP点击下载文件

前言

Facebook Twitter Instagram Mail

主要关键词

前言PDF文件第1页

前言PDF文件第2页

前言PDF文件第3页

前言PDF文件第4页

前言PDF文件第5页

相关文件推荐

前言
2024 年

前言

¥7.0
前言
2025 年

前言

¥1.0
前言
2024 年

前言

¥3.0
前言
2024 年

前言

¥1.0
前言
2024 年

前言

¥1.0
前言
2018 年

前言

¥6.0
前言 - TPBank
2023 年

前言 - TPBank

¥4.0
前言 - TPBank
2023 年

前言 - TPBank

¥4.0
前言 - TPBank
2023 年

前言 - TPBank

¥4.0
前言 - TPBank
2023 年

前言 - TPBank

¥4.0
前言 - 空军国民警卫队
2015 年

前言 - 空军国民警卫队

¥19.0
前言 - NIDM
2012 年

前言 - NIDM

¥25.0
前言...
2011 年

前言...

¥5.0
前言 - TPBank
2023 年

前言 - TPBank

¥4.0
全球前言.pdf
2021 年

全球前言.pdf

¥1.0
前言 - 国民警卫队局
2014 年

前言 - 国民警卫队局

¥18.0
前言 - 印度空间研究组织
2021 年

前言 - 印度空间研究组织

¥20.0
制造业中的人工智能和机器人技术 前言
2006 年

制造业中的人工智能和机器人技术 前言

¥27.0
icao.anx.10.v1.for 前言
2000 年

icao.anx.10.v1.for 前言

¥31.0
马来西亚教育蓝图 2013 - 2025 前言 1
2013 年

马来西亚教育蓝图 2013 - 2025 前言 1

¥29.0
职业教育和培训司司长前言...
2020 年

职业教育和培训司司长前言...

¥4.0
前言模板 - 德克萨斯大学奥斯汀分校
2016 年

前言模板 - 德克萨斯大学奥斯汀分校

¥26.0
前言 神经形态人工智能硬件最新进展专题
2024 年

前言 神经形态人工智能硬件最新进展专题

¥1.0
第六届人工智能自然语言研讨会（NL4AI）前言
2022 年

第六届人工智能自然语言研讨会（NL4AI）前言

¥1.0
第五届人工智能自然语言研讨会 (NL4AI) 前言
2021 年

第五届人工智能自然语言研讨会 (NL4AI) 前言

¥1.0
第八届人工智能自然语言研讨会 (NL4AI 2024) 前言
2024 年

第八届人工智能自然语言研讨会 (NL4AI 2024) 前言

¥1.0
人工智能专刊前言：新兴应用的安全与隐私机遇与挑战
2022 年

人工智能专刊前言：新兴应用的安全与隐私机遇与挑战

¥1.0
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
2021 年

通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。

¥1.0