How to Leverage Explainable AI for Better Business Decisions
超越黑匣子，将复杂的模型输出转化为可行的组织策略。如何利用可解释的人工智能实现更好的业务决策一文首先出现在走向数据科学上。
Mechanistic Interpretability: Peeking Inside an LLM
LLM 的类人认知能力是真是假？信息如何通过神经网络传输？法学硕士里面是否隐藏着知识？《机械可解释性：法学硕士内部窥探》一文首先出现在《走向数据科学》上。
Your library card unlocks a free movie streaming service most people don't know about
Kanopy 提供数千个节目和电影。以下是如何注册。
A.R.I.S.: Automated Recycling Identification System for E-Waste Classification Using Deep Learning
传统的电子回收流程由于材料分离和识别能力不足而遭受严重的资源损失，限制了材料的回收。我们推出 A.R.I.S. （自动回收识别系统）是一种低成本便携式电子垃圾粉碎分拣机，可解决这一效率差距。该系统采用YOLOx模型对金属、塑料和电路板进行实时分类，实现低推理延迟和高检测精度。实验评估产生了 90% 的总体精度、82.2% 的平均精度 (mAP) 和 84% 的分类…
Reinforcement learning applied to autonomous vehicles: an interview with Oliver Chang
在本访谈系列中，我们将与 AAAI/SIGAI 博士联盟的一些参与者会面，以了解有关他们研究的更多信息。我们采访了 Oliver Chang，他的研究兴趣涵盖深度强化学习、自动驾驶汽车和可解释的人工智能。我们详细了解了他迄今为止所从事的一些项目，以及是什么吸引了他 [...]
Mapping the Design Space of User Experience for Computer Use Agents
基于大型语言模型 (LLM) 的计算机使用代理通过与可用的 UI 元素交互来执行用户命令，但对于用户希望如何与这些代理交互或哪些设计因素对其用户体验 (UX) 至关重要，人们知之甚少。我们进行了一项两阶段的研究来绘制计算机使用代理的用户体验设计空间。在第一阶段，我们审查了现有系统，以制定用户体验考虑因素的分类法，然后通过采访八位用户体验和人工智能从业者来完善它。由此产生的分类法包括用户提示、可解释性、用户控制和用户……等类别。
Robot Talk Episode 143 – Robots for children, with Elmira Yadollahi
Claire 与兰卡斯特大学的 Elmira Yadollahi 讨论了孩子们如何与机器人互动和建立关系。 Elmira Yadollahi 是兰卡斯特大学计算机科学助理教授。她拥有瑞士洛桑联邦理工学院 (EPFL) 和葡萄牙高级技术学院 (Instituto Superior Técnico) 的机器人和计算机科学联合博士学位。她的研究解决了机器人技术的可解释性，[...]
XAG P150 Max Agricultural Drone Comes to U.S. with Proven Efficiency and Reliability
P150 Max 专为在紧张的时间安排下实现高效运行而设计，优先考虑多个现场任务的生产力、可靠性和多功能性，将劳动力限制转变为可解决的问题。
IEEE Transactions on Evolutionary Computation, Volume 30, Issue 1, February 2025
1) 一种基于分解的进化算法，具有聚类和层次估计的多目标模糊柔性车间调度作者：X. 张，S. 刘，Z. 赵，S. Yang 页数：2 - 152) 利用可解释的人工智能增强最后一英里路由的遗传算法作者：Y. Kim, R. Khir, S. Lee 页数： 16 - 303) 学习预选：分类中多目标特征选择的基于过滤器的性能预测器作者：R. Jiao、B. Xu、M. Zhu 页数：31 - 454) 缓解进化多任务中负迁移的最优线性交叉作者：Z. Liu、J. Yuan、H. Zhang、T. Zeng、Z. Zhu 页数：46 - 605) 动态灵活调度中深度强化学习的利基遗传编程作者：M
