XiaoMi-AI文件搜索系统
World File Search System决策规则
一个可解释的框架，可以从临床试验中识别有关治疗效果的响应式亚组：应用脑出血治疗
随机临床试验（RCT）遭受高失败率，这可能是由对治疗的异质反应引起的。尽管开发了许多模型以估计异质治疗效应（HTE），但仍缺乏可解释的甲基化剂来识别响应式亚组。这项工作旨在开发一个框架来基于优先级可解释性的治疗效果来识别亚组。所提出的框架利用了一个集合隆福树方法来生成描述性决策规则，该规则将样本分开，给出了对治疗的估计响应。随后，我们选择了这些决策规则的互补集，并使用稀疏线性模型对其进行排名。为了解决试验有限的样本量问题，我们通过从外部研究中借用控制患者并产生合成数据提出了数据增强策略。我们将提出的框架应用于失败的随机临床试验，以调查脑内出血治疗计划。Qini分数表明，提出的数据增强策略计划可以通过选择互补的描述性规则而不损害估计质量来提高模型的性能，并且框架可以提高模型的性能。我们的模型得出了临床上有意义的亚组。，我们发现那些患有舒张压70 mm Hg的患者，收缩压<215 mm HG受益于强化血压降压疗法更受益。提出的可解释的HTE分析框架为从具有中性治疗效果的RCT中提取有意义的见解提供了有希望的潜力。通过识别响应式亚组，我们的框架可以更有效地为患者制定个性化治疗策略。
塔斯马尼亚野生渔业捕捞战略政策
渔业评估按商定的频率进行，通过比较绩效指标与参考点的关系来衡量渔业绩效。评估的精确度和准确度水平各不相同。在选择用作限制、触发和目标的参考点时，必须考虑到这一点。评估应能够估计或描述评估中的不确定性，以便为决策提供参考。生物种群状况评估中的不确定性越大，生物参考点和决策规则就应该越谨慎，以达到实现目标的可接受风险水平。在可能的情况下，渔业评估应与澳大利亚鱼类种群状况 (SAFS) 报告中使用的国家方法挂钩。
昆士兰州收获战略政策
该法案将收获策略建立为昆士兰州渔业资源将来将来管理的框架。该法案概述了部长和首席执行官在制定，批准和实施收获策略中的作用。2019年《 2019年渔业（一般）条例》（商业渔业）2019年（法规）和《 2019年渔业宣言》实施了渔业法规，包括提供当局捕捞鱼类，渔业的投入和输出控制。2019年渔业宣言和2019年渔业配额宣言将是用于实施商业渔业的捕获限制的工具，并根据娱乐性渔民（和宪章部门）（以及苏联限制范围或其他管理控制权），根据收获策略中规定的决策规则。
人工智能时代的社会分类危机
本文探讨了我们计算社会的方式的最新转变（Cardon 等人，2018 年）。使用计算技术来辅助决策并不是什么新鲜事。长期以来，计算方法一直被用于对个人进行排名和选择，例如，借助计算机脚本来验证表单是否符合确定性决策规则。随着机器学习 (ML) 工具的出现，这些方法为决策者在处理结合了越来越多的实体和事件列表的文件时的不确定性时产生的困惑提供了技术解决方案。面对文件提供的用于围绕不同原则进行定位的多种参考点，决策者可能会感到无助。他们的决策质量更容易受到批评（Hahn & Tetlock，2005），理由多种多样：他们优先考虑某些标准；他们的社会同质性掩盖了结构性偏见；他们没有注意到可能导致其他结果的变量的多样性；等等。面对分散而庞大的文件，引入基于机器学习模型的自动化工具来辅助决策，建议用统计概率取代不稳定的决策依据。当候选比较空间变得难以理解时，这些工具会对变量进行排序。如今，统计分数的引入方式截然不同，具体取决于领域。它有时采用的只是文件中的一条附加信息，例如在美国法官批准保释的决定中预测重复犯罪的可能性；或者它可以具有更大的自动化程度，例如将警察引导到犯罪更频繁的地方（Brayne & Christin，2020 年）。正如关于人工智能使用的立法草案所表明的那样，结果的自动化问题是监管机构寻求“让人类参与其中”的主要干预点之一（Jobin 等人，2019 年）。本文建议将计算方法的这种转变与社会对统计类别日益增长的批评联系起来，我们称之为社会类别危机。我们认为，决策向机器学习的转变得益于基于类别的方法（使用标准的规则等）无法涵盖世界事件的多样性和多样性1。最后，我们认为这种转变延续了数据空间更普遍的时空扩展。机器学习技术的出现带来了统计文化的变化，值得关注（Breiman，2001）。这些方法的特殊性之一是它们事先并不知道决策规则；它们从数据中学习。要建立这种类型的模型，必须使用由输入数据（文件）和先前决策的输出结果组成的数据集（训练数据库）来训练算法。然后通过反复试验调整模型，使基于训练的预测误差尽可能小（Goodfellow 等，2016）。如果模型是基于输入和输出数据之间的对应关系来学习的，那么决策规则就不能再以先验稳定和自动的基于标准的依据为基础。控制选择的模型是对与给定目标相关的文件变量的最佳比较方法的统计近似。传统的呈现此类模型设计的操作的方式是定义三个独立的空间（Cornuéjols 等，2018；Mitchell，1997）。输入数据构成观察空间，计算结果构成决策空间。在这两者之间，计算的设计者必须想象一个假设空间（有时也称为
为什么解释算法决策的权利 - ...
企业越来越依赖于数据培训的决策规则集（即，通常称为“机器学习”的过程的输出）和几乎没有人类中间体的决策。在本文中，我们为算法决策产生了“解释权。”通常说，在数字时代，知情同意书已死这种负面的观点源于一种严格的理解，即假定知情同意是一项静态而完整的交易。这种观点是不够的，尤其是当数据以次要，非语义和不可预测的方式使用时，这是高级人工智能系统的不可避免的本质。我们认为，对知情同意的另一种观点（作为对不完整交易的信任的保证）允许理解为什么知情同意书的理由已经有权提交后解释的权利。
应用于EEG分类的新型判别分析
摘要 - 本文提供了一种开发t -wishart分布的协方差矩阵的分类方法，该方法概括了WishArt分布。与WishArt分布相比，它对于异常协方差矩阵更为强大，并且更灵活地对分布不匹配。在此矩阵变化分布的最新发展之后，提出的分类器是通过利用判别分析框架并提供原始决策规则来获得的。通过对实际数据的数值实验，我们的方法的实际兴趣得到了表明。更确切地说，所提出的分类器在两个标准的脑电图数据集上获得了最佳结果，而最佳最低距离（MDM）分类器相比。索引项 - EEG，协方差矩阵，t -wishart，Bayseian分类，判别分析，BCI。
神经网络经济：从异构经验中学习
本文旨在实现三个目标。首先，我提出了一种宏观经济学中有限理性的新模型。该模型来自成功学习执行许多重要的类似人类任务的算法家族。它几乎没有对代理施加任何功能限制。其次，我试图阐明随着时间的推移学习决策规则的问题，这与经济学传统上关注的大多数学习不同。第三，由于政策功能是内生形成的并且取决于代理的过去，因此开发的模型使我能够研究不完美决策和异质经验之间的反馈。我关注的是储蓄错误与收入和财富经验之间的反馈。这种反馈可能对经济产生重要影响，但在文献中几乎没有引起关注。
公平的人工智能
信息系统 (IS) 目前正在经历根本性转变：直到最近，决策支持都是基于规则的确定性算法开发的。然而，随着人工智能 (AI) 的最新进展，这些决策规则已被概率算法（例如深度学习；参见 Kraus 等人）取代。2020 ）。概率算法通过从数据中学习现有模式进行推理，一旦部署，就会在某些不确定性下为看不见的数据提供预测。因此，它们容易产生偏见和系统性不公平，从而对个人或整个群体进行差别对待。先前的研究已多次证明人工智能应用缺乏公平性。例如，研究发现，信贷贷款申请的决策支持系统对某些社会人口群体存在不成比例的偏向 (Hardt and Price 2016; O'Neil 2016 )。
零售业中的人工智能 | BILT
•（单击）建模。这些是由机器学习过程利用过去的经验生成的；即大量的历史数据。迭代应用各种算法，根据可以从数据集推断的内容生成预测模型。这包括一个反馈循环来帮助定制模型 •（单击）决策规则与数据输入和其他模型的分数一起使用，以决定要做什么。有时这些规则是由机器学习算法自动得出的，有时则由人类专家/业务用户定义/完善。 •（单击）响应/输出 - 在流程结束时，需要根据已做出的决策采取一些行动。单独的预测是无用的。您必须决定如何使用输出 •（单击）验证隐私和安全 •（单击）审查/监控由于预测准确性会随着时间的推移由于底层关系的变化而下降，因此请定期访问模型的运行情况。进行相应的更改。