1计算机工程系1银橡树大学,艾哈迈达巴德,印度摘要:文化遗产保护对于学习历史和维护我们的身份至关重要。但是,使用传统方法进行遗产现场识别和认可经常需要手动检查和专业知识,这可能是资源和时间密集的。为了自动化遗产识别的过程,本研究提出了一种新颖而创意的解决方案,将深度学习技术与直观的互动相结合。使用历史和建筑意义上的七个图片,使用VGG16模型训练该系统,VGG16模型是通过转移学习改进的卷积神经网络(CNN)的一种形式。Pygoogle-image Python库用于收集这些图片。结果是一个在简化平台上开发的交互式,用户友好的应用程序。潜在的遗产网站可以由用户上传照片,算法可以很高的精度识别它们。此方法使保护工具更广泛地可用,同时还可以简化历史识别程序。支持文化保护计划,并使包括遗产经理,城市规划师和政策制定者在内的利益相关者受益,它减少了对常规技术的依赖。这项将最先进的深度学习方法与用户输入相结合的技术是可持续性和文化遗产保护的主要进步。索引术语 - 深度学习,卷积神经网络,机器学习,图像识别
最近,研究人员进行了实证经济研究,以调查地缘政治风险如何影响各个经济部门。我们采取了新的视角,探讨美国 IT 行业的进步是否可以解释中国地缘政治风险的波动。中美在半导体方面的冲突围绕着技术优势、经济主导地位和国家安全问题。中国一直在努力实现半导体生产的自给自足,以减少对外国供应商(尤其是美国)的依赖。然而,美国对向中国的半导体出口实施了限制。我们的研究构建了一个理论框架,并利用协整的边界检验方法来估计自回归分布滞后模型的参数。我们使用 1993 年 1 月至 2023 年 11 月的月度数据。研究结果表明,美国 IT 行业对中国的地缘政治风险有显著的积极影响。从政策含义的角度来看,除非竞争对手达成妥协,否则争夺全球 IT 行业领导地位的竞争可能会成为经济和政治不稳定的主要根源。
摘要:机器人越来越多地用于医疗保健服务,可以通过了解其个性来确定其有效性。尽管如此,医疗保健人类机器人互动(H-HRI)尚未对人格进行系统或全面的掌握。过去的医疗保健为人形机器人带来了好处。但是,对卫生保健人类机器人互动中的个性(H-HRI)没有系统的全面了解。本文研究了医学中一些常见的情况,并提供了一种详尽的衡量信任的方式。这样的拟议范式强调了医生之间明确沟通的重要性,以及他们对机器人干预的期望,这些任务是针对人类的任务。此外,它显示了患者如何从机器人那里获得帮助。最后,提出了旨在提高患者信心的建议,因为前者有助于提高治疗效率水平。它简要讨论了五个性格特征,也是个性特征。这些需要人类机器人的相互作用因素。
摘要:Metavers概念描述了一个虚拟集体空间,用户与模拟或计算机生成的环境互动,这是由诸如虚拟现实(VR),增强现实(AR),区块链,人工智能(AI)和5G网络等尖端技术启用的。这种融合允许创建复杂的虚拟世界,增强用户交互,实现动态环境,促进跨平台无缝集成,并确保可扩展性和持久性,以及几个隐私,安全性,道德和法律挑战。这些技术的不断发展在塑造未来的未来是关键的,在这种未来中,物理和虚拟现实之间的界限模糊不清,在沟通,娱乐,教育和业务等领域中解开了无限的可能性。这带来了探索和用户参与的新机会。本文旨在介绍推动从当前互联网到元评估的过渡的领先技术,从而使用户能够自然和直观地与数字对象和环境进行互动。这项研究探讨了建立了良好的交互式仿真技术,例如虚拟现实和增强现实,以及新兴技术,例如somato-Sensory接口,全息成像和脑部计算机交互接口。强调其潜力,该论文展示了这些技术如何为用户提供无与伦比的参与跨越游戏,社交,教育和业务的互动活动。
来自英国机构的代表为这一主题的讨论做出了重大贡献。其中,阿伯丁大学的 James Johnson 博士就这一主题发表了大量文章,并因其 2023 年 2 月出版的《人工智能与炸弹》一书而闻名。这项工作考虑了人工智能如何影响核战略,特别是在决策背景下。活跃于该领域的其他学术机构或非政府组织包括伦敦国王学院的科学与安全研究中心、欧洲领导力网络和查塔姆研究所。此外,英国的其他学术机构,如剑桥大学生存风险研究中心、牛津马丁学院、人工智能治理中心,强调人工智能带来的风险和安全影响,包括其治理。
研讨会是由Eucarpia工作组组织的,该小组在有机和低投入农业的植物 - 微生物相互作用方面组织,并将继续讨论实施其在植物育种方面不断增长的知识的潜力和局限性。以前的研讨会输出是在一篇有关新兴研究重点的观点文章中合成的(Hohmann等人。2020,FEMS micr ecol)。
摘要 本文提倡一种儿童与人工智能(7-11岁年龄段)互动的解释模型,其中儿童与人工智能(AI)系统互动的理想目的是儿童的成长。本文认为具有机器学习组件的AI系统在与儿童互动时具有递归元素。他们可以从与儿童的接触中学习,并结合互动数据,而不仅仅是以前的编程数据。鉴于成长的目的和AI的这种递归元素,本文主张在人工智能(AI)伦理和负责任的AI话语中区分对偏见的解释。将偏见解释为偏好并区分积极(支持多样性)偏见和消极(歧视性)偏见是必要的,因为这将有助于儿童健康的心理和道德发展。以人为本的人工智能话语主张通过关注人类的目的和机器为人类的目的来协调人类的能力和机器的能力。通过数据保护、人工智能法律和某些价值敏感的设计框架来减轻负面偏见的强调表明,机器为人类的目的优先于人类的目的。这些自上而下的框架通常将机器的目的缩小到不造成伤害,而忽略了自下而上的观点和儿童的发展需求。因此,应用儿童与人工智能互动的成长模型,结合从人工智能介导的负面偏见中学习并放大正面偏见,将对儿童的发展和以儿童为中心的人工智能创新产生积极影响。因此,本文探讨了:在儿童与人工智能的互动中,减轻负面偏见和放大正面偏见会带来哪些挑战,以及成长模型如何解决这些问题?为了回答这个问题,本文建议在开放的人工智能共创空间中应用成长模型,这些空间是与儿童一起的,也是为儿童而设的。在这样的空间中,人机和人与人的价值协调方法可以集体应用,这样儿童可以 (1) 对人工智能介导的负面偏见对自己和他人的影响变得敏感; (2) 使儿童能够适应并灌输自上而下的多样性和非歧视价值观及其含义; (3) 执行儿童的身份权利和不歧视权利; (4) 引导儿童培养包容性思维; (5) 通过儿童自下而上的观点为自上而下的规范人工智能框架提供信息; (6) 为以儿童为中心的人工智能的设计标准做出贡献。在儿童参与的人工智能共创空间中,在成长模式下应用此类方法,可以实现负责任的年轻人与以儿童为中心的人工智能系统之间的包容性共同进化。
2.1 参与者 ................................................................................................................................ 8 2.2 设备 ................................................................................................................................ 8 2.3 设置 ................................................................................................................................ 9 2.4 实验步骤 ........................................................................................................................ 10 2.5 评估工具 ........................................................................................................................ 12 2.6 因变量和自变量 ...................................................................................................... 13
本文全面探讨了针对大型语言模型(LLM)的安全威胁引起的道德挑战。这些复杂的数字存储库越来越多地整合到我们的日常生活中,使其成为攻击的主要目标,这些攻击可以损害其培训数据和数据源的机密性。本文深入研究了对社会和个人隐私的这种安全威胁的细微伦理影响。我们仔细检查了五个主要威胁,包括注射注射,越狱,可识别的信息(PII)暴露,性明确的内容和基于仇恨的内容 - 超出了仅仅标识,以评估其关键的道德后果以及他们为强大的防御策略创造的紧迫性。对LLM的不断依赖强调了确保这些系统在道德准则范围内运作的关键需求,尤其是因为它们的滥用可能导致重大的社会和个人伤害。我们提出了概念化和开发针对LLMS量身定制的评估工具,该工具将达到双重目的:指导开发人员和设计师在测试阶段的LLM Chatbot响应的伦理学维度进行审查。通过将LLM的反应与人类在道德背景下的人类期望的反应进行比较,我们旨在辨别AI行为与更广泛的社会所拥有的道德价值一致的程度。最终,本文不仅强调了LLMS带来的道德问题;它还突出了培养对这些系统的信任的道路。
表 1 显示了基于某些参数的不同姿势估计技术之间的比较。我们可以看到,OpenPose 算法获得的准确度最高,但由于其 CNN 模型较重,获得的 fps 相当低,而对于 Posenet 算法,我们获得了良好的 fps,因为它 x 没有 x 多阶段架构,x 还使用轻量级 x CNN 模型。BlazePose 是另一种很好的姿势估计算法,因为它在姿势估计期间获得了准确度和 fps 的良好平衡。我们决定在这三个中选择 Blazepose,因为 Openpose 没有给我们提供良好的 fps,而 Posenet 仅考虑 17 个身体关键点进行检测,而 Blazepose 有 33 个,并且在我们的应用中,我们需要一种可以为单人姿势估计提供良好结果的算法,Blazepose 主要关注这一点,它还给出规范化坐标作为输出,而在其他算法中,我们明确需要对它们进行规范化以进行进一步处理。