XiaoMi-AI文件搜索系统
World File Search System领域专家
行为决策科学
布朗大学的决策研究可授予文学学士学位，涵盖描述性问题，例如人们、机构和国家如何做出判断和决定；关于理性的规范性问题，例如什么是最佳判断和决定；以及规范性问题，例如如何改进决策过程以使实际决策更接近最佳决策。决策研究具有广泛的跨学科性质，涵盖了各种更传统学科的研究，包括心理学、认知科学、经济学、哲学、计算机科学和神经科学。Steven Sloman 教授 (steven_sloman@brown.edu?subject=Behavioral%20Decision%20Sciences) 和 David Levari 教授 (david_levari@brown.edu?subject=Behavioral%20Decision%20Sciences) 是该专业的顾问。在声明时，还鼓励集中学习者与此处列出的相应领域专家交谈（https://copsy.brown.edu/undergraduate-study/concentrations/#behavioral-decision-sciences）。 AB 学位标准课程
人工智能助力改善健康
• 规则和法规。GDPR 应如何应用于实践？医疗法规如何才能成为一种帮助而不是障碍？我们是否应该拥有国家或欧洲云基础设施来提供支持，何时可以使用欧洲公司的云服务？ • 可持续性。我们如何负责任和透明地应用人工智能？人工智能解决方案的长期可靠性如何？ • 数字成熟度。员工和公民是否准备好让他们的生活被他们可能无法理解的算法所支配？我们如何将专家与了解人工智能技术的人聚集在一起，或者领域专家应该更多地了解人工智能？ • 研究 -> 创新 -> 实施。我们应该如何评估人工智能研究的结果？必须通过创新过程完善研究结果，以便实施。如今，事情仍然偏向于研究，实施很少。 • 共享数据、资源和结果。瑞典需要分享我们拥有的资源，建立更多领域更多人可以使用的模型，并在更大程度上合作数据。
基于声明性学习的编程作为人工智能系统的接口
数据驱动方法正成为许多科学技术领域越来越常见的问题解决工具。在大多数情况下，机器学习模型是这些解决方案的关键组成部分。通常，解决方案涉及多个学习模型，以及对模型输出和输入的大量推理。但是，当前的工具不仅对不熟悉机器学习的领域专家来说很麻烦，而且对评估现实世界数据上的新算法和模型并开发 AI 系统的机器学习专家来说也很麻烦。我们回顾了各个 AI 社区在提供用于设计复杂 AI 系统所需的学习和推理技术的高级抽象语言方面所做的关键努力。我们根据技术类型及其数据和知识表示对现有框架进行分类，比较当前工具解决实际应用程序编程挑战的方式，并强调一些缺点和未来方向。我们的比较只是定性的，而不是实验性的，因为系统的性能不是我们研究的因素。
中国肾脏移植围手术期处理临床诊疗指南
【摘要】肾移植围手术期并发症发生率较高，肾移植围手术期管理是肾移植受者早日康复、肾功能顺利恢复的关键因素之一，也成为肾移植团队面临的新挑战。为进一步规范肾移植围手术期技术操作，提高肾移植围手术期临床诊疗水平，中华医学会器官移植分会、中国医师协会器官移植医师分会组织国内临床移植、护理、流行病学等相关领域专家，采用2009版牛津大学证据分级及推荐强度分级标准。本文针对肾移植围手术期的护理与监护、容量评估、营养与液体补液、水电解质酸碱平衡等22个临床问题提出了详细的循证建议，旨在通过循证临床实践改善我国肾移植围手术期的临床预后。
通过设计实现人工智能伦理的参与式数据中心方法
摘要 基于机器学习技术 (ML) 的数据驱动人工智能 (AI) 已日益成为关键社会领域的推动者。然而，ML 系统的引入往往伴随着不合理、有偏见和歧视的结果，对受影响的个人造成严重后果。因此，近年来，基于价值的设计方法试图通过引起人们对与 AI 系统设计相关的伦理和认知挑战的关注来预测和减轻道德错误行为。本文通过促进和完善价值敏感设计方法系列贡献的见解，提出了一种以数据为中心的参与式 AI 伦理设计方法。该方法为解决 ML 开发项目早期阶段与数据活动相关的认知和伦理问题提供了可行的前景。因此，本文旨在通过强调搭建桥梁的必要性来增强系统开发人员和领域专家对给定数据领域及其与特定实践的相关性的共同理解，从而增加符合道德规范的人工智能设计的机会。
推荐引用 推荐引用 Duell, J., Fan, X., Burnett, B., Aarts, G., & Zhou, S. (2021) ‘可解释的人工智能方法对电子健康记录分析的解释比较’，2021 年 IEEE EMBS 国际生物医学和健康信息学会议 (BHI)，。网址为：https://doi.org/10.1109/bhi50953.2021.9508618 本文由 PEARL 健康学院免费提供给您，可供开放获取。它已被 PEARL 的授权管理员接受纳入护理和助产学院。有关更多信息，请联系 openresearch@plymouth.ac.uk。
摘要 —可解释人工智能 (XAI) 旨在为用户提供可理解的解释。SHAP、LIME 和 Scoped Rules 等 XAI 算法计算机器学习预测的特征重要性。尽管 XAI 引起了广泛研究关注，但将 XAI 技术应用于医疗保健以指导临床决策具有挑战性。在本文中，我们对 XAI 方法给出的解释进行了比较，作为分析复杂电子健康记录 (EHR) 的第三级扩展。利用大规模 EHR 数据集，我们根据 XAI 模型估计的预测重要性比较 EHR 的特征。我们的实验结果表明，所研究的 XAI 方法会根据具体情况生成不同的顶级特征；它们在共享特征重要性方面的差异值得领域专家进一步探索，以评估人类对 XAI 的信任。索引词 —可解释的人工智能、黑盒、玻璃盒、机器学习、电子健康记录
高可靠性系统的要求和设计方法
为此，使用统一建模语言 (UML，使用更常见的 UML v1.0 变体) [2] [3] 定义了该系统的需求和架构。此方法中的第一个 UML 图是顶级“上下文图”，它应显示所有主要外部接口以及主要的 UML“用例”。由于此上下文图可能非常混乱，我们使用 Rose 的“用例图”功能来分离与特定单个用例相关的系统“用例气泡和连接流箭头”。然后将这个更简单的“用例”分解为详细的 UML“活动图”，其中显示了构成与此“用例”相关的所有活动的各个活动、状态、决策点和流程（与流程图类似）。这个想法是，这个级别的 UML 符号足够直观，因此一个有一定了解的领域专家可以查看它们并找出我们可能在图表中遗漏的内容。注意其他质量要求，如可靠性、可用性、可用性、安全性等。在
EE5C01电影工程 BYU22V01：从分子到细胞II（国际） TR060：生物学和生物医学科学初级和高级新鲜模块途径信息 本科手册2024/25
数字视频账户形式的电影占当今所有互联网流量的70％以上。R＆D在这一领域激发了数字媒体创建，在线视频流和视频媒体共享的新行业。 工业光和魔术，铸造厂，YouTube，Netflix，Vimeo，Skype，Sky Digital只是现在在这个领域成功运作的著名大型公司。 电影工程为学生做好准备在这些行业的职业准备，包括后期制作工具开发和视频流。 第一部分（在阅读周之前）介绍了运动估计，对象细分和统计视频处理中的基本思想。 阅读周后的第二部分将研究现代压缩标准，例如H.264/5，VP9，AV1/2。 模块还考虑了深度学习的各个方面。 该模块将每两周一次的研讨会计划与来自领域专家的来宾讲座结合在一起。 学生在公司开发数字媒体工具中常见的研究，插件开发和测试方面的实用技能。 将向学生介绍该领域的领先研究论文，并为Nuke（www.thefoundry.co.uk）开发视频处理插件，这是电影后制作行业的领先视频处理平台。R＆D在这一领域激发了数字媒体创建，在线视频流和视频媒体共享的新行业。工业光和魔术，铸造厂，YouTube，Netflix，Vimeo，Skype，Sky Digital只是现在在这个领域成功运作的著名大型公司。电影工程为学生做好准备在这些行业的职业准备，包括后期制作工具开发和视频流。第一部分（在阅读周之前）介绍了运动估计，对象细分和统计视频处理中的基本思想。阅读周后的第二部分将研究现代压缩标准，例如H.264/5，VP9，AV1/2。模块还考虑了深度学习的各个方面。该模块将每两周一次的研讨会计划与来自领域专家的来宾讲座结合在一起。学生在公司开发数字媒体工具中常见的研究，插件开发和测试方面的实用技能。将向学生介绍该领域的领先研究论文，并为Nuke（www.thefoundry.co.uk）开发视频处理插件，这是电影后制作行业的领先视频处理平台。
![arXiv:2206.00474v1 [cs.AI] 2022 年 6 月 1 日](/simg/g:\will\search\icon\source\3\332cb6cfff481bb8ac1b12870475df1e5b816494.png)
arXiv:2206.00474v1 [cs.AI] 2022 年 6 月 1 日
摘要 随着用于辅助或自动化决策的人工智能 (AI) 的快速发展，其公平性尤其受到关注。为了通过以人为本的人工智能 (HCAI) 设计创建可靠、安全和值得信赖的系统，最近的努力已经为 AI 专家制作了用户界面 (UI)，以调查 AI 模型的公平性。在本文中，我们提供了一种设计空间探索，不仅支持数据科学家，也支持领域专家调查 AI 公平性。以贷款申请为例，我们与贷款人员和数据科学家举行了一系列研讨会，以了解他们的需求。我们将这些需求实例化为 FairHIL，这是一个支持人机交互公平性调查的 UI，并描述了如何将此 UI 推广到其他用例。我们通过出声思考用户研究评估了 FairHIL。我们的工作有助于更好地设计以调查 AI 模型的公平性 — — 并更接近负责任的 AI。
用于评估可解释的人机交互范式...
摘要。本文旨在提出一个框架和相应的范式，用于评估可解释人工智能 (XAI) 提供的解释。本文主张需要评估范式——不同的人在不同背景下执行不同的任务会对不同的解释做出不同的反应。它回顾了以前评估 XAI 解释的研究，同时也确定了这项工作的主要贡献——研究人员可以使用灵活的范式来评估 XAI 模型，而不是一系列因素。然后，本文概述了一个框架，该框架提供了五个关键因素之间的因果关系——心理模型、概率估计、信任、知识和绩效。然后，它概述了一个由训练、测试和评估阶段组成的范式。本文讨论了预测模型、XAI 开发人员指南和自适应可解释人工智能——一种能够预测特定领域专家对特定任务的首选解释是什么的推荐系统。