XiaoMi-AI文件搜索系统
World File Search System因果性
利用图神经网络实现多模态因果性，实现可解释人工智能的信息融合
人工智能取得了显著的成功，在某些任务上甚至在医学等复杂领域都比人类专家表现更好。另一方面，人类擅长多模态思维，可以几乎立即将新输入嵌入到由经验塑造的概念知识空间中。在许多领域，目标是建立能够自我解释的系统，参与交互式假设问题。这类问题被称为反事实问题，在可解释人工智能 (xAI) 这一新兴领域中变得越来越重要。我们的核心假设是，使用概念知识作为现实的指导模型将有助于训练更可解释、更稳健、偏差更小的机器学习模型，理想情况下能够从更少的数据中学习。医学领域的一个重要方面是各种模态对一个结果有贡献。我们的主要问题是“如何使用知识库作为开发新解释界面技术的初始连接器来构建多模态特征表示空间（涵盖图像、文本、基因组数据）？”。在本文中，我们主张使用图神经网络作为一种选择方法，实现多模态因果关系的信息融合（因果关系——不要与因果关系混淆——是人类专家对因果关系的解释达到特定理解水平的可衡量程度）。本文旨在激励国际 xAI 社区进一步研究多模态嵌入和跨
透明度与解释：模糊性在法律人工智能中的作用
6 Tom Boellstorff，《从理论上制作大数据》（2013 年）18(10) First Monday。7 David Silver 和 Demis Hassabis，《AlphaGo：利用机器学习掌握古老的围棋游戏》[2016]（2021 年 6 月 23 日访问）。8 Robert Prey，《Nothing Personal：音乐流媒体平台上的算法个性化》（2018 年）40(7) Media, Culture & Society 1087。9 Kristian Hammond，《人工智能入门指南》（Wiley 2015 年）。10 Frank Pasquale，《黑箱社会。控制金钱和信息的秘密算法》（哈佛大学出版社 2015 年）。11 Andreas Holzinger 等人，《人工智能在医学中的因果性和可解释性》（2019 年）9(4) WIREs 数据挖掘和知识
大数据时代下的结果和影响衡量：
Pete York 拥有 20 多年作为评估顾问和研究员的经验，曾与政府机构、慈善机构、公司和非营利组织合作。在过去的八年中，他使用大型管理数据集和机器学习算法在儿童福利、青少年司法、心理健康、劳动力发展等领域建立了预测性、规范性和因果性评估模型。他最近与他人合作撰写了《预测分析和机器学习在青少年司法风险评估中的应用：佛罗里达州的经验》一章，并撰写了一篇同行评审的文章《预测和规范分析、机器学习和儿童福利风险评估：布劳沃德县的经验》和一篇 Scattergood 基金会论文《使用数据的新方法：精准护理，为儿童住院治疗带来更好的结果》。他目前是 BCT Partners 的负责人兼首席数据科学家，他运用自己的评估和数据科学技能来推进该组织的使命，即“提供有关不同人群的见解，以实现公平”。
推理建模能够实现早期检测和有效...
通常，优化资产效率会对可靠性产生不利影响，反之亦然。客观确定最佳权衡的唯一方法是通过数据辨别。工厂经理经常提出的一些代表性问题，以及理想情况下数据驱动的决策应该回答的问题包括：• 我是否应该在更高的温度下运行这个固定床反应器以实现更高的转化率？如果是这样，这将如何影响我的催化剂活性以及反应器的整体机械完整性？• 考虑到维护成本和压缩机可能降低的等温效率之间的权衡，我应该何时维修我的多级压缩机的中间冷却器？• 我是否可以在不增加计划外维护成本的情况下延长工厂停机间隔时间？这样的例子不胜枚举。整个行业对“大数据”的兴趣高涨表明，这些运营问题的客观、敏捷和有见地的答案现在可能触手可及。当然，通过工业物联网 (IIoT) 的进步而实现的数字控制系统、数据历史记录和额外的传感器监控点为制造公司提供了前所未有的数据量。然而，这些高维数据集通常具有具有挑战性的信噪比和高度的相关性/冗余性，同时本质上是非因果性的（即，单个传感器读数的变化并不总是能够绘制
营销中的机器学习和人工智能
由机器学习算法驱动的人工智能 (AI) 代理正在迅速改变商业世界，引起研究人员的高度兴趣。在本文中，我们回顾并呼吁市场研究利用机器学习方法。我们概述了常见的机器学习任务和方法，并将它们与市场研究人员传统上使用的统计和计量经济学方法进行了比较。我们认为机器学习方法可以处理大规模和非结构化数据，并具有灵活的模型结构，可产生强大的预测性能。同时，这种方法可能缺乏模型透明度和可解释性。我们讨论了突出的人工智能驱动的行业趋势和实践，并回顾了使用机器学习方法的仍处于萌芽阶段的学术营销文献。更重要的是，我们提出了一个统一的概念框架和一个多方面的研究议程。从实证营销研究的五个关键方面：方法、数据、使用、问题和理论，我们提出了一些研究重点，包括扩展机器学习方法并将其用作营销研究的核心组成部分，使用这些方法从大规模非结构化、跟踪和网络数据中提取见解，以透明的方式使用它们进行描述性、因果性和规范性分析，使用它们规划客户购买旅程并开发决策支持能力，并将这些方法与人类见解和营销理论联系起来。机器学习方法在营销中的机会比比皆是，我们希望我们多方面的研究议程能够激发这一激动人心的领域的更多工作。© 2020 Elsevier B.V. 保留所有权利。