Loading...
Shi Jin
机构名称：

Shi Jin

¥ 10.0
热度

量子傅里叶变换：高达指数级的量子加速……除了量子态准备

添加pdf代下载 VIP点击下载文件

Shi Jin

Facebook Twitter Instagram Mail

主要关键词

Shi JinPDF文件第1页

Shi JinPDF文件第2页

Shi JinPDF文件第3页

Shi JinPDF文件第4页

Shi JinPDF文件第5页

相关文件推荐

[2] Jin-Yi Cai。“Shor 算法在存在噪声的情况下不会分解大整数”。引自：CoRR abs/2306.10072 (2023)。DOI：10.48550/arXiv.2306。
2023 年

[2] Jin-Yi Cai。“Shor 算法在存在噪声的情况下不会分解大整数”。引自：CoRR abs/2306.10072 (2023)。DOI：10.48550/arXiv.2306。

¥1.0
基于人工智能的广域监测系统分布式信念传播和循环神经网络算法 /作者=Bhamidipati, Sriramya；Kim, Kyeong Jin；Sun, Hongbo；Orlik, Philip V. /创建日期=2020 年 5 月 14 日 /主题=人工智能、通信、多物理建模、信号处理
2020 年

基于人工智能的广域监测系统分布式信念传播和循环神经网络算法 /作者=Bhamidipati, Sriramya；Kim, Kyeong Jin；Sun, Hongbo；Orlik, Philip V. /创建日期=2020 年 5 月 14 日 /主题=人工智能、通信、多物理建模、信号处理

¥2.0
文章：Manimuthu, A.、Venkatesh, VG、Shi, Y. 等人（另外 2 位作者）（2021 年）使用联合人工智能和智能合约设计和开发汽车装配模型。国际生产研究杂志，60 (1)。第 111-135 页。ISSN 0020-7543
2022 年

文章：Manimuthu, A.、Venkatesh, VG、Shi, Y. 等人（另外 2 位作者）（2021 年）使用联合人工智能和智能合约设计和开发汽车装配模型。国际生产研究杂志，60 (1)。第 111-135 页。ISSN 0020-7543

¥2.0
已发布版本的引文 (APA)：Visvikis, D., Lambin, P., Mauridsen, K. B., Hustinx, R., Lassmann, M., Rischpler, C., Shi, K., & Pruim, J. (2022)。人工智能在核医学和分子成像中的应用：临床转化现状和未来前景的回顾。欧洲核医学和分子成像杂志，49，4452–4463。https://doi.org/10.1007/s00259-022-05891-w
2022 年

已发布版本的引文 (APA)：Visvikis, D., Lambin, P., Mauridsen, K. B., Hustinx, R., Lassmann, M., Rischpler, C., Shi, K., & Pruim, J. (2022)。人工智能在核医学和分子成像中的应用：临床转化现状和未来前景的回顾。欧洲核医学和分子成像杂志，49，4452–4463。https://doi.org/10.1007/s00259-022-05891-w

¥1.0
出版详情：Liu, T., Tsang, W., Xie, Y., Tian, K., Huang, F., Chen, Y., Lau, O., Feng, G., Du, J., Chu, B., Shi, T., Zhao, J., Cai, Y., Hu, X., Akinwunmi, B., Huang, J., Zhang, CJP, & Ming, W.-K. (2021). 新冠疫情前和疫情期间人工智能临床医生的偏好：离散选择实验和倾向得分匹配研究。医学互联网研究杂志，23(3)，文章 e26997。https://doi.org/10.2196/26997
2025 年

出版详情：Liu, T., Tsang, W., Xie, Y., Tian, K., Huang, F., Chen, Y., Lau, O., Feng, G., Du, J., Chu, B., Shi, T., Zhao, J., Cai, Y., Hu, X., Akinwunmi, B., Huang, J., Zhang, CJP, & Ming, W.-K. (2021). 新冠疫情前和疫情期间人工智能临床医生的偏好：离散选择实验和倾向得分匹配研究。医学互联网研究杂志，23(3)，文章 e26997。https://doi.org/10.2196/26997

¥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