XiaoMi-AI文件搜索系统
World File Search System主体
了解决策主体在与基于人工智能的决策系统反复互动中的公平感知和保留
基于人工智能的决策系统在许多高风险领域的广泛应用引发了人们对这些系统公平性的担忧。由于这些系统将对受其决策影响的人产生现实后果，因此了解这些决策主体认为系统是公平的还是不公平的至关重要。在本文中，我们通过重复交互的视角扩展了之前在这方面的研究——我们提出，当决策主体与基于人工智能的决策系统反复交互，并能够通过决定是否留在系统中来战略性地响应系统时，哪些因素会影响决策主体对系统的公平感知和保留，以及如何影响。为了回答这些问题，我们在基于人工智能的贷款系统中进行了两次随机人类受试者实验。我们的结果表明，在与基于人工智能的决策系统的反复交互中，总体而言，决策主体对系统的公平感知和保留受到系统是否偏向主体自己所属群体的显著影响，而不是系统是否以公正的方式对待不同的群体。然而，不同资质水平的决策主体对人工智能系统在不同群体之间产生的偏见或人工智能系统偏袒/歧视自己群体的倾向有不同的反应。最后，我们还发现，虽然主体在基于人工智能的决策系统中的保留很大程度上取决于他们自己从系统获得有利决策的前景，但他们对系统的公平性感知却受到系统对其他群体的人的待遇的复杂影响。
单材料包装：定向PE膜的主体
Lyondellbasell（NYSE：LYB）是全球化学工业的领导者，Lyondellbasell每天都在努力成为我们行业中最安全，最佳运营和最有价值的公司。公司的产品，材料和技术正在推进可持续的食品安全解决方案，获得清洁水，医疗保健和燃油效率的100多个国际市场。lyondellbasell在多样性，公平和包容性方面将高度重视，并在重点是我们的星球，我们经营的社区和未来的劳动力方面进步。公司对其世界一流的技术和客户重点感到自豪。Lyondellbasell加强了其循环性和气候野心和行动，以应对塑料废物和脱碳的全球挑战。有关更多信息，请访问www.lyondellbasell.com或在LinkedIn上关注@lyondellbasell。
基于原型的独立于主体的脑机接口领域泛化框架
摘要 — 由于脑电图 (EEG) 的受试者间/受试者内变异性，脑机接口 (BCI) 在实践中难以使用。通常，BCI 系统需要一种校准技术来获取受试者/会话特定数据，以便在每次使用系统时调整模型。这个问题被认为是 BCI 的一个主要障碍，最近出现了一种基于领域泛化的新策略来解决它。鉴于此，我们专注于开发一个 EEG 分类框架，该框架可以直接应用于来自未知域（即受试者）的数据，仅使用先前从不同受试者获得的数据。为此，在本文中，我们提出了一个框架，该框架采用开放集识别技术作为辅助任务，从源数据集中学习特定于主题的风格特征，同时帮助共享特征提取器将看不见的目标数据集的特征映射为新的看不见的域。我们的目标是在同一域中施加跨实例样式不变性，并降低潜在未见主体的开放空间风险，以提高共享特征提取器的泛化能力。我们的实验表明，使用域信息作为辅助网络可以提高泛化性能。临床相关性——本研究提出了一种提高独立于主体的 BCI 系统性能的策略。我们的框架可以帮助减少进一步校准的需要，并可用于一系列心理状态监测任务（例如神经反馈、癫痫发作的识别和睡眠障碍）。
科学需要主体间性吗？量子力学正统解释中的确认问题
量子力学的解释必须具备哪些条件才算可行？我们认为一个至关重要的标准是：任何成功的量子力学解释都必须解释我们的经验证据如何让我们了解量子力学。也就是说，量子力学的解释必须能够合理地说明经验证实如何在量子力学实验的背景下发挥作用，否则整个项目就会弄巧成拙：我们无法理性地相信一种理论的解释，如果这种解释告诉我们没有充分的理由相信该理论本身是正确的，因为我们相信这种解释的唯一理由就是我们相信该理论是正确的！在埃弗雷特解释的背景下，“概率问题”和相关的证实问题已经得到了广泛的讨论[1-5]，但很明显，其他解释也假设我们对观察者和现实之间关系的通常看法发生了重大变化，也容易受到类似的反对。在本文中，我们将集中讨论有时被称为“正统”解释[6]或“哥本哈根式”解释[7]的一类解释。这些解释只假定“幺正动力学表征状态向量的动态演化”，并且“否认我们应该将系统视为具有独立于观察者的状态”[6]。正统解释不同于埃弗雷特解释，因为它们告诉我们测量具有唯一的结果，但这些结果相对于观察者而言是相对的。正统解释的例子包括哥本哈根解释[8–10]、新哥本哈根解释[11–17]、量子比主义[18]、实用主义解释[19]和某些版本的关系量子力学[20]1。某些形式的“它来自比特”假设也可能属于这一类[22,23]2。人们已经观察到，这种解释挑战了关于测量结果和其他宏观事件的标准科学理论——主体间性[24–28]，即它们意味着测量和其他宏观事件通常不会对所有宏观观察者产生相同的结果。正统解释的支持者历来对这一事实持相当傲慢的态度——毕竟，量子力学的每种解释都有一些特征似乎与我们的经典直觉不同，因此，在这方面，正统解释似乎并不比其他方法更糟糕。然而，这种讨论忽略了一个事实，即主体间性在经验证实过程中起着至关重要的作用，因此，正统解释中主体间性的失败意味着这些方法在满足关键标准方面存在严重困难，即表明我们的经验证据如何使我们能够了解量子力学。这不仅仅是学会接受与我们的古典直觉相冲突的东西的问题：如果这些方法中没有合理的经验证实说明，那么相信它们向我们呈现的世界图景就是不合理的，无论我们在其他方面可能觉得它有多么有吸引力或没有吸引力。在本文中，我们将首先展示主体间性在正统解释中失败的方式，并解释为什么主体间性对于经验证实很重要。我们将详细研究信念更新在正统解释所假设的宇宙中可能如何运作，我们将
具有信心意识的主体间迁移学习...
摘要 — 脑电图 (EEG) 的受试者间/受试者内变异性使得脑机接口 (BCI) 的实际使用变得困难。通常，BCI 系统每次使用时都需要一个校准程序来调整模型。这个问题被认为是 BCI 的主要障碍，为了克服它，最近出现了基于迁移学习 (TL) 的方法。然而，许多 BCI 范例的局限性在于它们由首先显示标签然后测量“图像”的结构组成，在受试者到受试者的 TL 过程的许多情况下，包含不包含控制信号的数据的源受试者的负面影响被忽略了。本文的主要目的是提出一种排除预计会对受试者到受试者 TL 训练产生负面影响的受试者的方法，该方法通常使用来自尽可能多的受试者的数据。在本文中，我们提出了一个仅使用高置信度受试者进行 TL 训练的 BCI 框架。在我们的框架中，深度神经网络使用基于小损失技巧的共同教学算法为 TL 过程选择有用的对象并排除嘈杂的对象。我们在两个公共数据集（2020 年国际 BCI 竞赛 Track 4 和 OpenBMI 数据集）上尝试了留一法验证。我们的实验结果表明，选择具有小损失实例的对象的置信感知 TL 可以提高 BCI 的泛化性能。关键词 — 脑机接口、脑电图、运动意象、迁移学习、嘈杂标签
人类大脑网络的多模态和多主体模块化组织
人类大脑是一个由解剖学上相互连接的大脑区域组成的复杂网络。自发神经活动受到这种结构的限制，从而产生远程神经元素活动之间的统计依赖模式。结构和功能连接之间的非平凡关系对认知、疾病、发展、学习和衰老提出了许多未解决的挑战。虽然许多研究都集中在解剖和功能网络中边缘权重之间的统计关系上，但人们对它们的模块和社区之间的依赖关系知之甚少。在这项工作中，我们研究并描述了人类大脑解剖和功能模块组织之间的关系，开发了一种新颖的多层框架，扩展了多层模块化优化的经典概念。通过同时将从不同主体估计的解剖和功能网络映射到社区中，这种方法使我们能够对大脑的模块组织进行多主体和多模态分析。在这里，我们研究了静息状态下解剖和功能模块之间的关系，找到了独特和共享的结构。所提出的框架构成了多层网络分析背景下的方法学进步，并为进一步研究临床队列、认知要求高的任务以及发展或寿命研究中的结构和功能网络组织之间的关系铺平了道路。
“我做得更好”：通过脑机接口检查虚拟现实中的具身化对二元运动想象任务中的主体感的影响
基于运动想象的脑机接口 (MI-BCI) 已被提议作为一种中风康复手段，它与虚拟现实相结合，可以将基于游戏的互动引入康复中。然而，MI-BCI 的控制可能难以获得，用户可能会面临糟糕的表现，这会让他们感到沮丧，并可能影响他们使用该技术的积极性。通过增加用户对系统的代理感，可以减少积极性的下降。本研究的目的是了解虚拟现实中描绘的手的化身（所有权）是否可以增强代理感，从而减少 MI-BCI 任务中的挫败感。22 名健康参与者参加了一项受试者内研究，在两种不同的化身体验中比较了他们的代理感：1) 化身手（与身体），或 2) 抽象块。两种表征都以相似的运动闭合以实现空间一致性，并因此弹出气球。手/块通过在线 MI-BCI 控制。每种情况都包括 30 次 MI 激活化身手/块的试验。在每种情况之后，一份问卷调查了参与者的自主感、所有权和挫败感。之后，进行了一次半结构化访谈，参与者详细说明了他们的评分。这两种情况都支持相似水平的 MI-BCI 性能。观察到所有权和自主性之间的显著相关性（r = 0.47，p = 0.001）。正如预期的那样，虚拟手比积木产生更高的所有权。在控制性能时，所有权增加了自主感。总之，基于 BCI 的康复应用程序的设计者可以利用拟人化虚拟形象来对训练过的肢体进行视觉映射，以提高所有权。虽然不能减少挫败感，但只要 BCI 性能足够好，所有权就可以提高感知到的自主性。在未来的研究中，应该在中风患者中验证这些结果，因为他们对自主性和所有权的感知可能与健全用户不同。
使用黎曼迁移学习最小化 BCI 的主体相关校准
摘要 — 校准仍然是脑机接口 (BCI) 用户体验的重要问题。常见的实验设计通常涉及较长的训练期，这会增加认知疲劳，甚至在开始使用 BCI 之前。依靠先进的机器学习技术（例如迁移学习），可以减少或抑制这种依赖于受试者的校准。基于黎曼 BCI，我们提出了一种简单有效的方案，根据从不同受试者记录的数据训练分类器，以减少校准同时保持良好的性能。本文的主要新颖之处在于提出了一种可应用于非常不同范式的独特方法。为了证明这种方法的稳健性，我们对三个 BCI 范式的多个数据集进行了荟萃分析：事件相关电位 (P300)、运动意象和 SSVEP。依靠 MOABB 开源框架来确保实验和统计分析的可重复性，结果清楚地表明，所提出的方法可以应用于任何类型的 BCI 范式，并且在大多数情况下可以显著提高分类器的可靠性。我们指出了一些进一步改进迁移学习方法的关键特征。
使用无线信号进行独立于主体的情绪检测的深度学习框架
使用无线信号进行情绪状态识别是一个新兴的研究领域，对人类行为和幸福感监测的神经科学研究产生了影响。目前，对立情绪检测主要依赖于从光学或摄像机获取的面部表情和/或眼球运动的分析。同时，尽管机器学习方法已被广泛用于从多模态数据中识别人类情绪，但它们大多局限于缺乏通用性的受试者相关分析。在本文中，我们报告了一项实验研究，该研究从身体的射频 (RF) 反射中收集 15 名参与者的心跳和呼吸信号，然后采用新颖的噪声过滤技术。我们提出了一种基于原始 RF 数据和处理后的 RF 信号融合的新型深度神经网络 (DNN) 架构，用于对各种情绪状态进行分类和可视化。所提出的模型对独立受试者的分类准确率高达 71.67%，准确率、召回率和 F1 值分别为 0.71、0.72 和 0.71。我们将我们的结果与五种不同的经典 ML 算法的结果进行了比较，结果表明，即使原始 RF 和后处理时间序列数据量有限，深度学习也能提供卓越的性能。通过将我们的结果与 ECG 信号的结果进行比较，深度学习模型也得到了验证。我们的结果表明，使用无线信号进行待机情绪状态检测是一种比其他技术更好的替代方案，具有较高的准确性，在未来的行为科学研究中具有更广泛的应用。
人类目标是人工智能（AI）主体的构成要素
4 这是 Bryson 和 Kime (2011) 的观点，他们认为人工智能系统的责任应该由开发者承担。虽然道德责任不是我在这里的主要关注点，但我的观点更广泛地看待人类目标（例如，包括审议的可能性或机构的参与）。