XiaoMi-AI文件搜索系统
World File Search System歧义
问题解决过程中的计算机集成
当前软件工具的复杂性随着它们旨在帮助解决问题的任务的复杂性而增加，并且主要面向计算机教育人士。另一方面，当前的计算机技术已深深融入人们的日常生活。这种差距加深并强调了软件技术和计算机教育。本文的目的是讨论一种基于可通过自然语言操纵的软件工具的新型计算机问题解决方法的可行性。通过计算解放，自然语言成为一类非歧义语言。这意味着每个问题解决者都使用一种非歧义的自然语言，这里称为领域算法语言，DAL。在这里，我们展示了如何开发专用于问题领域的软件工具，并使用教授高中代数所需的软件工具说明了我们提出的方法。
AI：解读还是解释？
摘要 近年来，随着人工智能在日常生活中的广泛应用，对可解释/可解释的人工智能的需求与日俱增。人类往往不信任无法解释其结果如何产生的人工智能系统，这种系统被视为“黑箱”系统。人们希望人工智能系统不仅能提供高质量的结果，而且在结果生成过程中也是透明的，这被称为“可解释的人工智能”或“可解释的人工智能”。关于人工智能系统中的解释和解释是什么的大多数最新研究都是基于研究人员的主观直觉，没有坚实的理论支持，既没有达成共识，也没有数学定义，这可能是解释和解释这两个术语使用定义不明确和歧义的原因。在本文中，我们试图借助知识管理的坚实理论支持，消除人工智能背景下解释和解释使用的歧义。我们还分别讨论了人工智能系统中可解释性和可解释性的可能评估方法。
探索离岸能源创新的议程
，即可追求能源过渡，可预见的海上风能向2050年的大规模增长迫使学者和决策者开始考虑其在更广泛的海上能源系统中的整合。技术创新和空间政策的进步对于促进离岸系统集成都是必要的。这项研究借鉴了议程制定理论，以探索影响荷兰海洋空间规划实践中三个离岸储能和运输概念的优先级储能和运输概念的障碍和机会。调查结果表明，尽管存在各种议程的领域，但它们旨在既有既定利益相关者的投入，包括石油和天然气和海上风力部门。此外，短期（2030年）政府固定和长期歧义的歧义也阻碍了优先级。因此，需要提供支持机构，提供监管确定性和可靠的激励机制，同时保持适应性的迫在眉睫的不确定性，以追求能源过渡所需的系统整合。
DASOR 分类系统 - GOV.UK
歧义 数据完整性 不完整 未签名 释放不适航的飞机 签名错误 故障诊断 无法隔离故障 功能测试不确定 检查不确定 操作测试不确定 系统处于不安全状态 加油连接问题 污染 燃料类型不正确 数量不正确 面板/访问不安全 泄漏
用于首字母缩略词识别和消歧的 Primer AI 系统
歧义缩略词的盛行使得科学文献对于人类和机器来说都更难理解，因此需要能够自动识别文本中的缩略词并消除其含义歧义的模型。我们引入了用于首字母缩略词识别和消歧的新方法：我们的首字母缩略词识别模型将学习到的标记嵌入投射到标签预测上，我们的首字母缩略词消歧模型找到具有类似句子嵌入的训练示例作为测试示例。与之前提出的方法相比，我们的两个系统都实现了显着的性能提升，并且在 SDU@AAAI-21 共享任务排行榜上表现出色。我们的模型部分在针对这些任务的新远程监督数据集上进行了训练，我们将其称为 AuxAI 和 AuxAD。我们还发现了 SciAD 数据集中的重复冲突问题，并形成了 SciAD 的去重版本，我们称之为 SciAD-dedupe。我们公开发布了这三个数据集，并希望它们能够帮助社区在科学文献理解方面取得进一步进展。
Primer AI 的首字母缩略词识别和消歧系统
歧义缩略词的盛行使得科学文献对于人类和机器来说都更难理解，因此需要能够自动识别文本中的缩略词并消除其含义歧义的模型。我们引入了用于首字母缩略词识别和消歧的新方法：我们的首字母缩略词识别模型将学习到的标记嵌入投射到标签预测上，我们的首字母缩略词消歧模型找到具有类似句子嵌入的训练示例作为测试示例。与之前提出的方法相比，我们的两个系统都实现了显着的性能提升，并且在 SDU@AAAI-21 共享任务排行榜上表现出色。我们的模型部分在针对这些任务的新远程监督数据集上进行了训练，我们将其称为 AuxAI 和 AuxAD。我们还发现了 SciAD 数据集中的重复冲突问题，并形成了 SciAD 的去重版本，我们称之为 SciAD-dedupe。我们公开发布了这三个数据集，并希望它们能够帮助社区在科学文献理解方面取得进一步进展。
在部分（间隔顺序）信息下进行排序∗
摘要。在本文中，我们研究了如何有效地订购一组不精确的点。在一个维度上，一组点的顺序是它们从低到高的排序顺序。预处理模型中的一组不精确点由一组n个不确定性区域r = {r 1，r 2，。。。r n}和一组n点p = {p 1，p 2，。。。p n}，使每个ri∈R都有一个相关点pi∈P。在一个维度中，集合R是一组间隔，该间隔诱导部分顺序，以使基础真实点P的总顺序p扩展了该部分顺序。我们展示了如何预处理r引起的部分顺序，以便在点集P下，我们可以在不确定性区域最佳时间中揭示基础总顺序。特别是，我们用一个措施来参数重叠的程度，我们称之为r的歧义，我们证明r的歧义是对点p进行分类所需时间的下限。本文可以看作是部分信息下排序的几何变体，这是计算机科学中的一个研究主题。