XiaoMi-AI文件搜索系统
World File Search System规则系统
用混合规则系统彻底改变人工智能决策：透明、准确的新型框架
入选论文全面概述了可解释和透明人工智能领域的最新进展和挑战，特别关注混合系统、可解释性技术、道德考量和差异隐私的整合。Vertsel 和 Rumiantsau (2024) 和 Aliaksei 等人 (2024) 探索了用于商业洞察和决策的混合 LLM/基于规则的系统，强调了将基于规则的逻辑与高级语言模型相结合的挑战。Kuhl 等人 (2023) 和 Wachter 等人 (2023) 讨论的反事实解释强调了人工智能决策中的可用性和以人为本的设计，展示了可解释性在用户交互中日益增长的重要性。同时，Wang 等人 (2023) 和 Mildenhall 等人 (2024) 专注于提高生成模型的透明度，特别是在神经辐射场中，其中
数据驱动的预测性维护模型方法...
结合基于物理/知识和数据驱动的方法进行 RUL 估计 Liao 和 Köttig (2016)，限定 RUL 估计不确定性的混合模型 Zhao 等人。(2013)，领域技术人员使用水管数据创建故障检测和预测模型 Li 和 Wang (2018)，并将基于知识的规则系统与数据驱动的方法相结合以对其进行改进 Cao 等人。(2020)。
D2.3 QKDN协议技术报告：量子层
加密协议是一种抽象或具体的协议，它执行与安全相关的功能并应用加密方法 [b-Dong]，正如本报告所示，QKD 协议 [b-ITU-T X.1710] 具有加密协议的特征。QKD 协议可以被视为一种密钥建立协议，其中两个远程方按照分步程序协商秘密对称密钥，其中每一步都与安全性有关。与基于算法的传统解决方案不同，QKD 协议需要使用专用硬件通过物理通道传输量子态，并使用软件对经典信息进行后处理以输出随机位作为密钥。从这个意义上讲，QKD 协议也可以被视为一种通信协议，其中通信协议是一套规则系统，允许通信系统中的两个或多个实体通过任何类型的物理量变化来传输信息 [b-Popovic]。本技术报告旨在介绍 QKDN 背景下的 QKD 协议，并提供一些标准化观点。
从高效的多模型到世界模型：调查
摘要 - 多型大型模型（MLMS）正在成为一个重要的研究重点，将强大的大语言模型与多模式学习结合在一起，以跨不同数据模式执行复杂的任务。本评论探讨了MLM中最新的开发和挑战，强调了它们在实现人工通用智能和作为世界模型的途径方面的潜力。我们提供了关键技术的概述，例如多模式的思想链（M-COT），多模式指令调整（M-IT）和多模式的内在学习（M-ICL）。此外，我们讨论了多模型模型的基本技术和特定技术，突出了它们的应用，输入/输出方式和设计特征。尽管取得了重大进步，但统一的多模型模型的发展仍然难以捉摸。我们讨论了3D生成和体现智能的集成，以增强世界模拟功能，并提出将外部规则系统纳入改进推理和决策。最后，我们概述了未来的研究指示，以应对这些挑战并推进该领域。
发展性阅读障碍的语义强度和神经相关性
诵读困难是一种神经发育障碍，其特征是阅读和/或拼写学习障碍（国际诵读困难协会，里昂等人，2003 年）。许多关于诵读困难的研究集中在语音处理缺陷（Griffiths 和 Snowling，2001 年；Pennington，2006 年；Vellutino 等人，2004 年），即处理单词的基本声音。尽管在这方面取得了很大进展，但对诵读困难的个体差异和其他认知过程（如语义处理）的研究较少。现有的阅读计算模型强调阅读是正字法、语音和语义处理系统动态交互的副产品。例如，并行分布式处理模型（Seidenberg 和 McClelland，1989 年）强调了这些系统的动态产品的重要性。朗读的双路径级联模型（Coltheart 等，2001）描述了三条阅读路径：非词汇阅读路径（通过字素到音素规则系统）、词汇非语义路径（通过正字法/音位输入词典）和词汇语义路径（通过语义系统）。
基于多目标模糊规则的飞机滑行时间预测和不确定性量化
摘要 — 不断增长的空中交通需求和高度互联的空中交通网络给该行业带来了巨大压力，要求其优化空中交通管理 (ATM) 相关性能并开发强大的 ATM 系统。最近在准确预测飞机滑行时间方面所做的努力已在生成更高效的滑行路线和时刻表方面取得了重大进展，从而使其他关键的空侧操作受益，例如跑道排序和登机口分配。然而，很少有研究致力于量化与滑行飞机相关的不确定性。基于确定性和准确的飞机滑行时间预测生成的路线和时刻表可能无法在由于天气条件、操作场景和飞行员行为等因素而产生的不确定性下恢复，从而损害整个系统的性能，因为滑行延误可能会在整个网络中传播。因此，本文的主要目的是利用多目标模糊规则系统根据历史飞机滑行数据更好地量化这种不确定性。初步结果表明，所提出的方法可以以更具信息量的方式捕捉不确定性，因此代表了一种有前途的工具，可以进一步制定稳健的滑行计划，以减少由于滑行时间不确定而造成的延误。
利用网络 AI 转变网络运营
对 AIOps 的需求“传统的 NMS 系统基于正则表达式匹配或某些规则系统，大量噪音涌入警报控制台，”eBay 网络与数据中心工程副总裁 Parantap Lahiri，ONUG 2021，网络 AI 执行圆桌会议“在多供应商和软件堆栈环境中，不再可能对网络进行故障排除，甚至无法了解可见性，”戴尔科技高级副总裁兼首席技术官 Ihab Tarazi，ONUG 2021，网络 AI 执行圆桌会议“我们坚信人工智能将系统地改进和改变我们的网络管理，”Orange 国际网络副执行副总裁 Jean-Louis Le Roux，ONUG 2021，网络 AI 执行圆桌会议 AIOps 的影响“如果交换机死机，我们会得到 100 张工单。通过拓扑感知和事件层次结构感知的自关联，我们得到一张工单。只有一个真正的事件需要解决。对于 RTP [维护] 活动，我们从 100 张工单减少到 0 张，”eBAY 网络软件工程与运营技术总监 Rick Casarez，ONUG 2022
问答：Minitab 与 AI
问：Minitab 在其产品中使用 AI（人工智能）吗？答：Minitab 在我们的解决方案中使用可靠且经过验证的技术，如反应机器（即基于规则的 AI）、专家系统和机器学习。我们的所有方法都经过严格测试，因此不受“AI 幻觉”的影响。与其他利用第三方 AI 库的公司不同，Minitab 开发并支持自己的 AI。问：Minitab 如何使用基于规则的 AI（即反应机器 AI）？答：反应机器（或基于规则的 AI）是基于预定义规则运行的基本规则系统。反应机器的一个例子是 Minitab 的专有图形生成器，它使用户能够通过拖放界面自动可视化数据。此外，我们的自动能力分析会自动选择适当的数据分布以执行适当的能力分析。重要的是，所有这些规则都是由 Minitab 的受过统计学培训的专家设置的，以确保可靠的结果。问：Minitab 如何使用专家系统？答：专家系统是模仿特定领域人类专家决策能力的计算机系统。专家系统的一个例子是 Minitab 统计软件的助手菜单。助手菜单不仅指导用户完成不同的分析，还提供对结果的解释和后续步骤的建议。助手菜单的所有步骤和反馈均由 Minitab 的专家设计，以确保流程和建议值得信赖。问：Minitab 如何使用机器学习？答：机器学习使计算机能够从数据中学习并做出决策或预测，而无需明确编程。许多 Minitab 用户今天都在不知不觉中使用机器学习！例如，回归是一种用于预测连续值的监督机器学习技术。Minitab 还提供使用基于树的机器学习技术的更高级的预测分析。问：Minitab 是否使用不同 AI 技术的组合？答：组合 AI 技术的两个例子是自动选择最佳预测模型的命令，例如我们的预测分析模块中的自动机器学习和我们时间序列库中的预测最佳 Arima 模型。它们都使用基于规则的人工智能和机器学习人工智能的组合。
CAIRS：用于数字心理健康的因果人工智能推荐系统 Mathew Varidel，博士 a；Victor An a，Ian B. Hickie a，医学博士，Sally Cripps b，c，博士，Roman Marchant b，c，博士，Jan Scott d，博士，Jacob J. Crouse a，博士，Adam Poulsen a，博士，Bridianne O'Dea e，博士，Frank Iorfino a，博士 a 悉尼大学大脑与思维中心，澳大利亚新南威尔士州。 b 悉尼科技大学人类技术研究所，澳大利亚新南威尔士州。 c 悉尼科技大学数学与物理科学学院，澳大利亚新南威尔士州悉尼。 d 纽卡斯尔大学神经科学研究所学术精神病学，英国纽卡斯尔。 e 弗林德斯大学心理健康与福祉研究所，弗林德斯大学，南澳大利亚阿德莱德，澳大利亚。 * 通讯作者：Mathew Varidel，5 楼，1 King Street，Newtown，新南威尔士州 2042，mathew.varidel@sydney.edu.au 摘要 数字心理健康工具有望增强和扩大有需要的人获得医疗服务的机会。一些工具向个人提供干预建议，通常使用简单的静态规则系统（例如，if-else 语句）或结合预测性人工智能。然而，干预建议需要基于对不同干预措施下未来结果的比较来做出决定，这需要考虑因果关系。在这里，我们开发了 CAIRS，这是一个因果人工智能推荐系统，它使用个人的当前表现和领域之间学习到的动态来提供个性化的干预建议，以识别和排名对未来结果影响最大的干预目标。我们的方法应用于从数字心理健康工具收集的两个时间点（从基线开始 1 周 - 6 个月）的多个心理健康和相关领域的纵向数据。在我们的例子中，心理困扰被发现是影响多个领域（例如个人功能、社会联系）的关键影响领域，因此在多个领域不健康的复杂情况下，心理困扰通常是首选目标。我们的方法广泛适用于因果关系很重要的推荐环境，并且该框架可以纳入实时应用程序中以增强数字心理健康工具。关键词：因果关系；人工智能；决策理论；幸福感；心理困扰；功能；睡眠；社会支持
CAIRS：用于数字心理健康的因果人工智能推荐系统 Mathew Varidel，博士 a；Victor An a，Ian B. Hickie a，医学博士，Sally Cripps b，c，博士，Roman Marchant b，c，博士，Jan Scott d，博士，Jacob J. Crouse a，博士，Adam Poulsen a，博士，Bridianne O'Dea e，博士，Frank Iorfino a，博士 a 悉尼大学大脑与思维中心，澳大利亚新南威尔士州。 b 悉尼科技大学人类技术研究所，澳大利亚新南威尔士州。 c 悉尼科技大学数学与物理科学学院，澳大利亚新南威尔士州悉尼。 d 纽卡斯尔大学神经科学研究所学术精神病学，英国纽卡斯尔。 e 弗林德斯大学心理健康与福祉研究所，弗林德斯大学，南澳大利亚阿德莱德，澳大利亚。 * 通讯作者：Mathew Varidel，5 楼，1 King Street，Newtown，新南威尔士州 2042，mathew.varidel@sydney.edu.au 摘要 数字心理健康工具有望增强和扩大有需要的人获得医疗服务的机会。一些工具向个人提供干预建议，通常使用简单的静态规则系统（例如，if-else 语句）或结合预测性人工智能。然而，干预建议需要基于对不同干预措施下未来结果的比较来做出决定，这需要考虑因果关系。在这里，我们开发了 CAIRS，这是一个因果人工智能推荐系统，它使用个人的当前表现和领域之间学习到的动态来提供个性化的干预建议，以识别和排名对未来结果影响最大的干预目标。我们的方法应用于从数字心理健康工具收集的两个时间点（从基线开始 1 周 - 6 个月）的多个心理健康和相关领域的纵向数据。在我们的例子中，心理困扰被发现是影响多个领域（例如个人功能、社会联系）的关键影响领域，因此在多个领域不健康的复杂情况下，心理困扰通常是首选目标。我们的方法广泛适用于因果关系很重要的推荐环境，并且该框架可以纳入实时应用程序中以增强数字心理健康工具。关键词：因果关系；人工智能；决策理论；幸福感；心理困扰；功能；睡眠；社会支持
基于 CLIPS 的脑肿瘤诊断专家系统
巴勒斯坦加沙艾资哈尔大学 摘要：脑肿瘤给现代医疗保健带来了重大挑战，准确及时的诊断对于确定适当的治疗策略至关重要。近年来，人工智能取得了重大进步。基于规则的专家系统（if-then 规则系统）已成为脑肿瘤诊断临床决策的一种有前途的方法。在本文中，我们介绍了“基于 CLIPS 的脑肿瘤诊断专家系统”，该系统利用一组 14 条 if-then 规则来诊断脑肿瘤，可能出现三种结果：1) 确认脑肿瘤的诊断，2) 考虑脑肿瘤转移的可能性，3) 考虑脑肿瘤的可能性。我们的专家系统提供了一个用户友好的界面，使用户能够选择症状并根据提供的信息获得诊断。本文讨论了专家系统的开发、实施和评估，强调了其在临床环境中促进脑肿瘤诊断和决策的潜力。此外，我们还提供了一份文献综述，将我们的专家系统置于基于规则的脑肿瘤诊断专家系统的更广泛背景下，研究其有效性、局限性和挑战。 关键词：脑肿瘤诊断、基于 CLIPS 的专家系统、临床指南、规则开发、人工智能、AI、专家系统、诊断结果 1. 简介：脑肿瘤是一种复杂的医疗状况，需要准确及时的诊断才能确定最合适的治疗策略。人工智能的进步导致了专家系统的发展，专家系统有可能支持临床决策并简化诊断过程。基于规则的专家系统（特别是基于 if-then 规则的系统）在脑肿瘤诊断领域受到越来越多的关注。本文介绍了“基于 CLIPS 的脑肿瘤诊断专家系统”，这是一种使用一组 14 条 if-then 规则诊断脑肿瘤的新方法，可能产生三种结果：1) 确认脑肿瘤诊断，2) 考虑脑肿瘤转移的可能性，3) 考虑脑肿瘤的可能性。专家系统也称为知识型系统或规则型系统，是旨在模拟特定领域人类专家的知识和决策能力的计算机程序。这些系统利用包含事实、规则和启发式方法的知识库来提供专家级建议和解决问题的能力。知识库由领域专家创建，他们将自己的专业知识编码为专家系统可以理解和利用的一组规则和逻辑关系（Jackson，1999 年）。专家系统的概念出现于 20 世纪 70 年代的人工智能 (AI) 领域，并在 20 世纪 80 年代和 90 年代得到了广泛的关注和发展。专家系统旨在通过对现有知识进行逻辑推理来解决复杂问题并做出明智的决策。它们在人类专家拥有专业知识和经验的领域表现出色，这些知识和经验可以编纂成一套规则或算法。专家系统已应用于医学、金融、工程和制造业等各个领域（Giarratano & Riley，2004 年）。专家系统的主要优势在于即使在没有人类专家的情况下，它们也能够提供一致、可靠和高效的决策过程。它们可以分析大量数据，评估多种选择，并根据预定义规则和逻辑推理生成建议。然而，专家系统也有局限性。它们依赖于知识库的准确性和完整性，并且可能难以应对超出其预定义规则的新情况或不熟悉的情况。此外，维护和更新知识库可能具有挑战性，需要与领域专家持续合作以确保其相关性和准确性（Giarratano & Riley，2004）。 CLIPS（C 语言集成生产系统）是一种基于规则的编程语言和开发环境，广泛用于开发专家系统和其他基于知识的应用程序。 它最初由 NASA 于 20 世纪 80 年代初开发，现已成为最受欢迎和广泛采用的专家系统工具之一。 CLIPS 是一个开源软件包，提供了一组丰富的功能来创建和操作基于规则的系统（Giarratano & Riley，2005）。需要与领域专家持续合作以确保其相关性和准确性（Giarratano & Riley，2004）。 CLIPS（C 语言集成生产系统）是一种基于规则的编程语言和开发环境，广泛用于开发专家系统和其他基于知识的应用程序。 它最初由 NASA 于 20 世纪 80 年代初开发，现已成为最受欢迎和广泛采用的专家系统工具之一。 CLIPS 是一个开源软件包，提供了一组丰富的功能来创建和操作基于规则的系统（Giarratano & Riley，2005）。需要与领域专家持续合作以确保其相关性和准确性（Giarratano & Riley，2004）。 CLIPS（C 语言集成生产系统）是一种基于规则的编程语言和开发环境，广泛用于开发专家系统和其他基于知识的应用程序。 它最初由 NASA 于 20 世纪 80 年代初开发，现已成为最受欢迎和广泛采用的专家系统工具之一。 CLIPS 是一个开源软件包，提供了一组丰富的功能来创建和操作基于规则的系统（Giarratano & Riley，2005）。