XiaoMi-AI文件搜索系统
World File Search System黑匣子
科学人工智能的“黑匣子”无法与 200 年历史的方法相提并论
训练尖端的深度神经网络需要大量数据，而使用当前方法进行重新训练的负担仍然很大。在对深度学习网络进行训练和重新训练以执行涉及复杂物理的不同任务后，莱斯大学的研究人员使用傅里叶分析比较了两次迭代中的所有 40,000 个内核，发现超过 99% 是相似的。此图显示了重新训练前（左）和重新训练后（右）差异最大的四个内核的傅里叶光谱。研究结果表明，该方法有可能找到更有效的重新训练路径，并且需要的数据要少得多。图片来源：P. Hassanzadeh/莱斯大学
黑匣子生物技术
《联合国生物多样性公约》（CBD）及其协议是对现代生物技术的监督的首要工具，并且随着该领域的新发展而成功地适应了全球。今天的“生成”人工智能（AI）工具（以文本聊天机器人（例如Chatgpt）为知名人士）现在被应用于生成新颖的数字序列，用于转基因生物（GMOS）和蛋白质。这些模型是由大型数字技术公司开发的，经过大量数字DNA或蛋白质序列的培训，找到模式，并将其应用它们创建新颖的数字序列。这个新的行业被其倡导者称为“生物生物学”，并伴随着承诺，这种AI“生物设计”工具可以为更可持续的世界提供一系列技术。现在对生成生物学提出的主张回应了对先前转基因生物和第一代AI系统的猜测。随着新问题的出现，每个人都没有最初的商业炒作。
上下文的价值：人与黑匣子评估者
机器学习算法现在能够执行先前由人类专家进行的评估（例如，医学诊断）。我们应该如何概念化人类评估和算法之间的差异，以及一个人何时偏爱另一个人？我们提出了一个框架，以检查两种评估形式之间的一个关键区别：机器学习算法是标准化的，修复了一组共同的协变量，以评估所有个人，而人类评估者则自定义了哪些协方差将获得每个人的协变量。我们的框架在具有高维数据的环境中定义和分析了这种自定义的优势（上下文的价值）。我们表明，除非代理对协变量的联合分布有精确的知识，否则其他协变量的好处通常超过上下文的价值。
神秘和操纵的黑匣子：对推荐系统的看法的定性分析
推荐系统用于提供有关各种事项的相关建议。尽管这些系统是一个经典的研究主题，但知识仍然受到有关这些系统的公众舆论的限制。公众舆论也很重要，因为已知系统会引起各种问题。为此，本文对普通公民，民间社会团体，企业以及其他对欧洲推荐系统的看法进行了定性分析。所检查的数据集是基于对最近在欧盟（EU）颁布的有关数字服务法（DSA）的咨询的答案。因此，本文不仅有助于有关调节新技术和在线平台的紧迫问题，而且还揭示了有关DSA决策的见解。根据定性结果，欧洲人通常对推荐系统及其建议的质量有负面看法。该系统被广泛认为侵犯了隐私和其他基本权利。根据许多欧洲人的说法，这些也会引起各种社会问题，包括对民主的威胁。此外，由于缺乏适当的执法，通常认为欧盟中的现有法规失败了。咨询的受访者提出了许多建议，以改善局势，但其中只有少数最终达到了DSA。
解开黑匣子：调节算法决定
作者按字母顺序列出。我们感谢Mario Curiki，Georgy Kalashnov和Ruying Gao的出色研究帮助。We thank Susan Athey, Simon Freyaldenhoven, Talia Gillis, Paul Goldsmith-Pinkham, Damian Kozbur, Danielle Li, Sendhil Mullainathan, Ashesh Rambachan, Amit Seru, Ken Singleton, PR Stark, Chenzi Xu, Louis Kaplow, Kathryn Spier, the FinRegLab team, and seminar and conference participants at Stanford, Yale, Harvard, Zurich, Oxford, the NBER Summer Institute, Stanford SITE, the New Perspectives on Consumer Behavior in Credit and Payments Markets Conference, the AEA Annual Meeting, the FTC, ENSAI, the OCC, EC, the Artificial Intelligence and Big Data in Finance Research (ABFR) Forum, NASMES, the Machine Learning in Economics Summer Institute, and the 2nd Zurich AI + Economics Workshop for helpful discussions and comments.我们感谢斯坦福大学以人工智能（HAI）和亚马逊网络服务的慷慨支持。任何错误或遗漏都是作者的责任。该手稿取代了一个早期版本，该版本已在EC'22上接受并呈现，其扩展摘要发表为：Blattner，Laura，Scott Nelson和Jann Spiess（2022）。解开黑匣子：调节算法决定。在第23届ACM经济学和计算会议论文集（EC'22），第559页。
预测实时危机中的自杀风险热线聊天将机器学习与心理因素集成：探索黑匣子
摘要背景：本研究通过表达与理论驱动的心理风险因素在实时危机热线聊天中集成的机器学习（ML）模型的预测能力（ML）模型来解决自杀风险预测挑战。更重要的是，我们旨在了解有助于ML自杀风险预测的特定理论驱动因素。方法：数据集由17,654个危机热线聊天课程分类为自杀。我们创建了一个基于自杀风险因素的词典（SRF），其中涵盖了主要自杀理论的关键风险因素的语言表示。使用纳入SRF词典的自然语言处理技术对ML模型（自杀风险 - Bert; SR-Bert）进行了训练。结果：结果表明SR-Bert的表现优于其他模型。逻辑回归分析确定了与自杀风险相关的几个理论驱动的风险因素，杰出的风险是绝望的，自杀，自我伤害和受害的归属感。限制：词典完全涵盖所有理论
解决AI的黑匣子 - 关于衰老和人工智能共同建构的模型和研究议程
1分部的老年医学与健康研究，奥地利克雷姆斯卡尔·兰德斯坦（Karl Landsteiner）健康科学大学。2印度果阿伯恩大学瑞士和果阿管理学院性别研究中心。3社会工作学校，华盛顿大学，美国华盛顿州，华盛顿，美国华盛顿大学。 4加拿大安大略省圣凯瑟琳斯布罗克大学娱乐和休闲研究系。 5格拉兹大学，格拉兹，奥地利。 6尼加夫本·古里安大学的传播学系，以色列比尔郡。 7，加拿大安大略省彼得伯勒市特伦特大学社会学系。 8伦敦布鲁内尔大学卫生科学系，英国米德尔塞克斯乌克斯布里奇。 9英国达勒姆大学达勒姆大学社会学系。 10数字文化，创新和传播系，人文学院，荷兰开放大学，荷兰赫伦，荷兰，林堡。 11数字文化，创新与传播系，人文学院，荷兰开放大学，荷兰赫伦，荷兰，林堡。3社会工作学校，华盛顿大学，美国华盛顿州，华盛顿，美国华盛顿大学。4加拿大安大略省圣凯瑟琳斯布罗克大学娱乐和休闲研究系。 5格拉兹大学，格拉兹，奥地利。 6尼加夫本·古里安大学的传播学系，以色列比尔郡。 7，加拿大安大略省彼得伯勒市特伦特大学社会学系。 8伦敦布鲁内尔大学卫生科学系，英国米德尔塞克斯乌克斯布里奇。 9英国达勒姆大学达勒姆大学社会学系。 10数字文化，创新和传播系，人文学院，荷兰开放大学，荷兰赫伦，荷兰，林堡。 11数字文化，创新与传播系，人文学院，荷兰开放大学，荷兰赫伦，荷兰，林堡。4加拿大安大略省圣凯瑟琳斯布罗克大学娱乐和休闲研究系。5格拉兹大学，格拉兹，奥地利。 6尼加夫本·古里安大学的传播学系，以色列比尔郡。 7，加拿大安大略省彼得伯勒市特伦特大学社会学系。 8伦敦布鲁内尔大学卫生科学系，英国米德尔塞克斯乌克斯布里奇。 9英国达勒姆大学达勒姆大学社会学系。 10数字文化，创新和传播系，人文学院，荷兰开放大学，荷兰赫伦，荷兰，林堡。 11数字文化，创新与传播系，人文学院，荷兰开放大学，荷兰赫伦，荷兰，林堡。5格拉兹大学，格拉兹，奥地利。6尼加夫本·古里安大学的传播学系，以色列比尔郡。7，加拿大安大略省彼得伯勒市特伦特大学社会学系。8伦敦布鲁内尔大学卫生科学系，英国米德尔塞克斯乌克斯布里奇。 9英国达勒姆大学达勒姆大学社会学系。 10数字文化，创新和传播系，人文学院，荷兰开放大学，荷兰赫伦，荷兰，林堡。 11数字文化，创新与传播系，人文学院，荷兰开放大学，荷兰赫伦，荷兰，林堡。8伦敦布鲁内尔大学卫生科学系，英国米德尔塞克斯乌克斯布里奇。9英国达勒姆大学达勒姆大学社会学系。 10数字文化，创新和传播系，人文学院，荷兰开放大学，荷兰赫伦，荷兰，林堡。 11数字文化，创新与传播系，人文学院，荷兰开放大学，荷兰赫伦，荷兰，林堡。9英国达勒姆大学达勒姆大学社会学系。10数字文化，创新和传播系，人文学院，荷兰开放大学，荷兰赫伦，荷兰，林堡。 11数字文化，创新与传播系，人文学院，荷兰开放大学，荷兰赫伦，荷兰，林堡。10数字文化，创新和传播系，人文学院，荷兰开放大学，荷兰赫伦，荷兰，林堡。11数字文化，创新与传播系，人文学院，荷兰开放大学，荷兰赫伦，荷兰，林堡。
让黑匣子更加透明：改进医疗保健领域人工智能研究的报告
我的主要研究兴趣是临床预测模型。这些模型可以估计一个人患上某些尚未确诊的疾病的风险，或者未来患病或病情恶化的风险。不幸的是，这些研究也未能免受上述报告质量不佳的影响，而且经常被标记为有问题。2 我对临床预测模型的糟糕报告感到沮丧，因此在 2010 年，我与 Carl Moons、Hans Reitsma 和已故的 Doug Altman（EQUATOR 网络创始人）一起发起了一项旨在改善这种情况的倡议。我们制定了 TRIPOD（个体预后或诊断多变量预测模型的透明报告）报告建议，并于 2015 年发布。3 4 这些建议侧重于使用基于回归的方法开发的模型，因为这些是当时流行的方法。
放射学中的人工智能——超越黑匣子
背景人工智能在放射学中发挥着越来越重要的作用。然而，越来越多的情况是，重建决策已不再可能，尤其是在深度学习领域的新方法和强大方法的情况下。由此产生的模型在用户无法理解内部过程的情况下发挥了作用，并被用作所谓的黑匣子。特别是在医学等敏感领域，决策的可解释性至关重要，以便验证其正确性并评估替代方案。因此，正在积极研究阐明这些黑匣子。方法这篇评论文章介绍了可解释人工智能的不同方法及其优缺点。使用示例来说明所介绍的方法。这项研究旨在使读者能够更好地评估相应解释的局限性，当
