我们使用了一种混合方法,包括视力民族志,参与者观察和人群调查来获取数据。共有7个研究课程,每个研究大约需要90分钟才能完成人口调查,并用书面描述性故事创建他们的个人地图/艺术品。人口统计调查用于了解关键变量之间的关系,以揭示模式和相关性。所考虑的变量是:参与者的年龄,住所(在芝加哥,牺牲区/近乎牺牲区或芝加哥外郊区),出生于美国或移民(见图1)。我们收集了63套个人地图/艺术品和拉丁参与者的书面故事。在63名参与者中,有45位居住在芝加哥(牺牲区或附近的28个),在郊区18个,如图2所示。
制造微机电系统 (MEMS) 的两种主要方法是体微加工技术和表面微加工技术。在体微加工的情况下,可移动结构的制造是通过选择性蚀刻掉结构层下面的处理基板来完成的,而在表面微加工中,一系列薄膜沉积和对堆栈中特定层(称为牺牲层)的选择性蚀刻产生最终所需的悬浮微结构。这两种 MEMS 制造方法的关键步骤是控制释放区域,从而精确定义柔顺机械结构锚 [1],如图 1 a 和 b 所示,显示了锚的底蚀。湿法或干法蚀刻工艺都可以去除牺牲层,使用前一种方法会遇到粘滞,而后一种方法会引入污染或残留物 [2]。选择牺牲层时需要考虑的重要设计因素包括:(i) 沉积膜的均匀性和厚度控制、(ii) 沉积的难易程度、(iii) 蚀刻和沉积速率、(iv) 沉积温度以及 (v) 蚀刻选择性。光刻胶由于易于蚀刻(使用氧等离子体或有机溶剂)且不会损害大多数结构材料而被用作牺牲层 [3–6]。然而,该工艺仅限于低温
摘要 尽管在可解释人工智能技术中注入领域知识是增强“黑箱”模型决策可解释性的可行方法,但仍存在一些未解决的挑战。其中一些挑战包括可解释性的量化、性能妥协和信息牺牲。在我们之前的工作中,我们证明了在网络入侵检测中注入领域知识可以提供更好的决策可解释性、更好的泛化以更好地处理未知攻击以及更快的决策或响应。在本文中,我们扩展了我们之前的工作,以量化引入泛化的信息牺牲水平,并量化应用于网络入侵检测问题的可解释人工智能技术的可解释水平。我们的实验结果表明,由于注入了领域知识,牺牲的信息水平可以忽略不计,并且使用最近提出的代理方法获得的可解释性分数比不使用领域知识的情况要好。
任何大型项目的成功完成都需要奉献、纪律和牺牲。感谢父母对我的爱以及他们灌输给我的价值观。感谢家人、老师、朋友和祝福者对我的支持。感谢学生的反馈和宝贵的讨论。但我不知道这究竟是谁的牺牲:感谢我的孩子 Veebha 和 Shreya — 感谢周末我不能带你们去远足;感谢下午你们等我一起玩;感谢晚上我没有带你们去游泳、骑自行车或滑冰;感谢晚上你们睡觉时我不能陪在你们身边。感谢我的妻子 Chandrani — 如果没有她的理解、支持和爱,这本书就不可能完成。