XiaoMi-AI文件搜索系统
World File Search System权衡
AI助理选择中的权衡：消费者是否优先考虑透明度和可持续性，而不是AI助理绩效？
摘要作为人工智能（AI）更加融入社会，对AI技术发展的AI技术发展的环境影响引起了人们对意想不到的偏见的关注。AI助手（例如Siri和Alexa）虽然有帮助，但可以掩盖决策，并有助于增加能源使用和二氧化碳排放。本研究探讨了在选择AI助手进行联合设计时，消费者是否优先考虑透明度和环境可持续性而不是绩效。日本参与者提供了不同的AI助理专题，其性能质量，透明度，成本和环境效率各不相同。结果表明，在选择AI助手时，日本参与者优先考虑透明度而不是绩效，但他们优先考虑绩效而不是环境可持续性。此外，与具有当前取向的参与者相比，以未来为导向的参与者对可持续性更为重要，而具有控制透明度的内部基因座的参与者比具有外部控制基因座位的参与者更重要。这项研究的发现增强了我们对消费者如何选择AI选项的理解，并为创建有效工作的AI系统和通信策略提供了宝贵的指导。
探索脑机接口的深度学习和可解释模型之间的权衡
患有大脑或脊髓相关瘫痪的人通常需要依靠他人来完成基本任务，这限制了他们的独立性。一种潜在的解决方案是脑机接口 (BMI)，它可以让他们通过将大脑活动解码为运动命令来自愿控制外部设备（例如机械臂）。在过去十年中，深度学习解码器在大多数 BMI 应用中都取得了最先进的成果，从语音生成到手指控制。然而，深度学习解码器的“黑匣子”性质可能会导致意外行为，从而在现实世界的物理控制场景中造成重大安全隐患。在这些应用中，可解释但性能较低的解码器（例如卡尔曼滤波器 (KF)）仍然是常态。在这项研究中，我们设计了一个基于 KalmanNet 的 BMI 解码器，KalmanNet 是 KF 的扩展，它使用循环神经网络来增强其操作以计算卡尔曼增益。这会导致在输入和动态之间变化的“信任”。我们使用该算法根据两只猴子的大脑活动来预测手指运动。我们将离线（预先记录的数据，n = 13 天）和在线（实时预测，n = 5 天）的 KalmanNet 结果与简单的 KF 和两种具有最先进结果的最新深度学习算法进行了比较：tcFNN 和 LSTM。KalmanNet 在离线和在线模式下取得了与其他深度学习模型相当或更好的结果，依靠动态模型来停止，而更多地依靠神经输入来启动运动。我们通过实施使用相同策略的异方差 KF 进一步验证了这一机制，并且它也接近最先进的性能，同时仍在标准 KF 的可解释范围内。然而，我们也看到了 KalmanNet 的两个缺点。KalmanNet 与现有的深度学习解码器一样具有有限的泛化能力，并且它使用 KF 作为归纳偏差在存在看不见的噪声分布的情况下限制了其性能。尽管存在这种权衡，我们的分析成功地整合了传统控制和现代深度学习方法，以激发高性能且仍可解释的 BMI 设计。
变分算法中的量子经典权衡和多控制量子门分解
近期量子计算机的计算能力受到门操作的噪声执行和有限数量的物理量子比特的限制。混合变分算法非常适合近期量子设备，因为它们允许在用于解决问题的量子资源和经典资源数量之间进行广泛的权衡。本文通过研究一个具体案例——将量子近似优化算法 (QAOA) 应用于最大独立集 (MIS) 问题的实例——研究了算法和硬件层面的权衡。我们考虑了 QAOA 的三种变体，它们在算法层面根据所需的经典参数数量、量子门和所需的经典优化迭代次数提供不同的权衡。由于 MIS 是一个受约束的组合优化问题，因此 QAOA 必须尊重问题约束。这可以通过使用许多多控制门操作来实现，这些操作必须分解为目标硬件可执行的门。我们研究了该硬件级别可用的权衡，将不同本机门集的门保真度和分解效率组合成一个称为门分解成本的单一指标。
功率与能量以及电池设计的权衡
“在海运业，渡轮上经常会看到这些电池，”Gully 博士解释道。“这些船每天都会进行相同的航行。每次到达港口时，它们都必须快速充电；快速充电和高功率放电的工作周期非常艰难。”
土地使用权衡型V2（LUTO2）
在农业和非农业用途之间进行切换对于满足气候和生物多样性目标，特别是在高生物多样性价值和边际农业生产力的领域也很重要。luto2显示了许多符合澳大利亚碳信用单位计划的最佳分布，包括基于自然的解决方案，包括皮带和块中的环境种植以及Savanna Fire Management。它还包括河岸种植，种植园林业和农场林业，以及带有碳捕获和储存的生物能源。LUTO2如何优先考虑这些解决方案取决于用户设定的气候和生物多样性目标的相对强度以及农业和用水的影响。正在开发进一步的土地使用。
电池能量存储与氢储存之间的权衡取舍
通过电解使用可再生能源产生的绿色氢可用于减少难以浸泡的工业部门的排放。有效的生产和大规模部署需要存储以减轻电解剂降解并确保稳定的氢供应。考虑到电池和电解液的降解，本文探讨了电池和氢系统中电池和氢存储的影响和权衡。利用优化模型，我们检查了整个存储能力和风能配置文件的系统性能和成本。我们的结果表明，电池的短期波动平滑并最大程度地减少电解仪降解，但由于频繁的充电/放电周期而导致的显着降解。相反，氢存储提供长期的能量缓冲，对于持续的氢产生至关重要，但可以增加电解室循环和降解。组合电池和氢存储可增强系统的可靠性，降低组件降解并降低运营成本。这突出了战略存储投资在提高绿色氢系统的性能和成本的重要性。
道德方面之间的紧张和权衡
摘要 - 已提出了一系列负责人AI的道德原则，以减轻对滥用和滥用AI/ML系统的担忧。此类原则的基本方面包括隐私，准确性，公平性，鲁棒性，解释性和透明度。但是，这些方面之间存在潜在的紧张关系，这对于寻求遵循这些原则的AI/ML开发人员构成了困难。例如，提高AI/ML系统的准确性可能会降低其解释性。作为将原则运行到实践中的持续努力的一部分，在这项工作中，我们汇编并讨论了10个著名的紧张局势，权衡以及基本方面之间其他互动的目录。我们主要关注双面相互作用，借鉴了分布在各种文献中的支持。该目录可以帮助提高人们对道德原则各个方面之间可能相互作用的认识，并促进AI/ML Systems的设计师和开发人员良好支持的判断。
买入并持有作为一种投资策略：权衡利弊
采用买入并持有策略，普通投资者只需购买声誉良好的股票或股票基金 1 的股份（通常是在知识渊博的金融专业人士的帮助下）并持有其投资数年即可。根据股市的历史长期增长轨迹，买入并持有的投资者希望通过享受投资价值的收益来获得回报。对于跟踪大盘指数的股票指数基金，投资者的收益通常会反映大盘的收益。虽然过去的表现并不能保证未来的结果，但最重要的是买入并持有相对容易实施。
和平时期与流行病之间的权衡 | 报告
约翰·埃德蒙兹教授解释说，在新冠肺炎之前，流行病的宏观经济研究并没有与流行病学研究结合起来，他总结了对甲型 H1N1 流感和西非埃博拉疫情的贡献。埃德蒙兹教授随后讨论了综合经济学方面近期取得的重大科学进展。演讲者都是各自领域的领导者和专家，对为下一次大流行做好准备所面临的挑战、优势、劣势和机遇进行了全面而透彻的阐述。研讨会的重点是在大流行防范与地方性传染病监测、预防和管理之间权衡投资的必要性，并从组织、多学科和全球等多个角度进行了演讲：乔纳森·哈斯克教授 | 帝国理工学院商学院，英格兰银行货币政策委员会外部成员