XiaoMi-AI文件搜索系统
World File Search System黑盒
增强信任在保持有用的生活预后模型
摘要。准确估算工业系统中剩余的使用寿命（RUL）对于优化维护策略和规定资产寿命至关重要。数据驱动的RUL模型利用机器学习（ML）算法从操作数据中提取模式，从而在捕获复杂关系中进行例外。尽管RUL预后模型的进步发展，但机器学习算法的黑盒性质仍为工业用户带来挑战，阻碍了信任和采用。明显的人工智能（XAI）方法通过使复杂的模型透明和可解释来提供有希望的解决方案。本文着重于应用XAI方法来增强对RUL预后的机器学习模型的信任。我们强调对解释机制的定量评估，包括一致性和鲁棒性等指标。我们的研究有助于制定更可信赖和可靠的预测维护策略。我们评估了XAI方法的规定RUL模型，该模型应用于工业型数据的现实情况。我们的发现旨在为工业从业人员提供宝贵的见解，并指导他们选择RUL预后技术。
利用机器学习优化穿越高射炮射击的飞行路径
我们提出了一种方法，旨在优化穿越敌方高射炮占领的飞行走廊的飞行路径。这与穿越完全或部分由此类枪支控制的空域的所有类型的飞机、导弹和无人机相关。为此，我们使用 Q 学习 - 一种强化（机器）学习 - 它试图通过重复的半随机飞行路径试验找到避开高射炮的最佳策略。Q 学习可以在不直接对高射炮进行建模的情况下产生穿越敌方火力的最佳飞行路径。仍然需要对手的反应，但这可以来自黑盒模拟、用户输入、真实数据或任何其他来源。在这里，我们使用内部工具来生成防空火力。该工具模拟由火控雷达和卡尔曼飞行路径预测滤波器引导的近防武器系统 (CIWS)。Q 学习还可以通过神经网络（即所谓的深度 Q 学习 (DQN)）进行补充，以处理更复杂的问题。在这项工作中，我们使用经典 Q 学习（无神经网络）展示了一个防空炮位的亚音速飞行走廊通行结果。
桥接数值模型和机器之间的缝隙...
许多地下流动应用涉及对物理定律充分了解的组成部分，以及在物理定律了解不足或不适用的其他组件中。数值建模在前者方面擅长于以前的机器学习（ML）在后者方面的插值数据，但是两种方法都无法同时解决这些组件。现有的ML方法（通常称为具有物理信息的ML或PIML）同时处理这些类型的组件是对标准ML方法的较小调整（例如，PIML可能会使用物理数据进行训练或损失功能来鼓励ML遵守ML，而无需任何准确保证方程式）。调整黑盒ML模型在根本上受到限制，因为“大数据没有解释自身” - 在模型中意味着，可解释的结构是提高可预测性，使人类理解和最大化小数据影响的必要性。我们展示了可区分的编程（DP）如何使我们能够使用可训练的ML融合值得信赖的数值建模，从而增强了用于物理模型开发，倒数分析和机器学习的工作流程。
更年期：概述 - 加拿大家庭医师
临床珍珠阴道（局部）雌激素：❶GSM的识别率不足/处理不足；正常地询问阴道健康（干燥，疼痛，性问题）。❷低剂量阴道雌激素（例如Vagifem 10MCG，Estring环2mg，Premarin Cream或Estragyn Cream≤1g/d）即使CI到全身性雌激素SOGC '21（乳房CA/CHD的黑盒警告通常不应用）。❸低剂量的阴道雌激素不需要孕激素来子宫内膜保护。❹可以用GSM + VM添加到全身性MHT中的低剂量阴道雌激素。全身性雌激素：❶❶❶❶❶❶需要孕激素（例如mirena iud o ^ label，Prometrium，provera），以防止子宫内膜ca。❷避孕。考虑仅孕激素的避孕药（如果需要VMS，则+全身性雌激素）或低剂量CHC（例如LOLO，Alesse）。❸避免在绝经后中治疗VM的CHC，因为雌激素剂量高约3-6x vs MHT（请参阅Box 1）。23❹不建议测量血清雌二醇，雌二醇或SHBG，因为它们与绝经症状无关。nams ‘22
利用机器学习优化防空炮火下的飞行路径
我们提出了一种方法，旨在优化穿越敌方高射炮占领的飞行走廊的飞行路径。这适用于穿越完全或部分由此类枪支控制的空域的各种飞机、导弹和无人机。为此，我们使用 Q 学习 - 一种强化（机器）学习 - 它试图通过重复的半随机飞行路径试验找到避开高射炮的最佳策略。Q 学习可以在不直接模拟高射炮的情况下产生穿越敌方火力的最佳飞行路径。仍然需要对手的响应，但这可以来自黑盒模拟、用户输入、真实数据或任何其他来源。在这里，我们使用内部工具来生成高射炮火力。该工具模拟由火控雷达和卡尔曼飞行路径预测滤波器引导的近距离武器系统 (CIWS)。Q 学习还可以补充神经网络 - 所谓的深度 Q 学习 (DQN) - 来处理更复杂的问题。在这项工作中，我们使用经典 Q 学习（无神经网络）展示了亚音速飞行走廊通过一个高射炮位置的结果。
反事实说明的文本到图像模型
本文解决了生成法定说明（CES）的挑战，涉及识别和修改最少的必要特征，以使分类器对给定图像的预测进行预测。我们提出的方法是反事实e xplanations（Time）的tept to-i mage m odels，是一种基于蒸馏的黑盒反事实技术。与以前的方法不同，此方法仅需要图像及其预测，从而忽略了分类器的结构，参数或梯度的需求。在生成反事实之前，时间将两个不同的偏见引入了文本嵌入的形式稳定扩散：与图像的结构相关联的上下文偏差和类别偏见，与目标分类器学到的类特异性特征相关。学习了这些偏见后，我们发现了使用类预测的类令牌的最佳潜在代码，并使用目标嵌入作为条件，从而产生了符合性的解释。广泛的经验研究证明，即使在黑色盒子设置中运行时，时间也可以产生可比性的解释。
算法决策中的透明度
摘要：通过算法决策系统在各个领域的传播，人们对它们的不透明和潜在的道德后果的关注得到了提高。通过促进可解释的机器学习模型的使用，本研究解决了这些系统中开放性和道德责任的关键要求。可解释的模型提供了对决策的制定方式的透明且可理解的描述，而不是复杂的黑盒算法。用户和利益相关者需要这种开放性，以便理解，验证和负责这些算法的决定。此外，可解释性通过使检测和减少偏见更容易促进算法结果中的公平性。在本文中，我们概述了算法不透明度带来的困难，强调了在各种环境中解决这些困难的关键，包括涉及医疗保健，银行业，刑事司法等的困难。从线性模型到基于规则的系统再到替代模型，我们对可解释的机器学习技术进行了彻底的分析，突出了它们的好处和缺点。我们建议，将可解释的模型纳入算法的设计和使用可能会导致AI在社会中更负责任和道德应用，最终使人们和社区受益，同时降低与不透明决策过程相关的风险。
扩展数据图1。与rfdiffusion的β链配对支架的设计。利用rfdiffusion的各种生成潜力，而
摘要：这项工作介绍了太阳能，这是一个用于标记BlackBox优化求解器的十个优化问题实例的集合。这些实例呈现出由黑盒数值模型模拟的集中太阳能电厂的不同设计方面。变量的类型（离散或连续），维数以及约束的数量和类型（包括隐藏的约束）在整个实例上有所不同。有些是确定性的，有些是随机性的，有可能执行多种复制以控制随机性。大多数实例都提供可变的替代物，两个是生物主体，一个是不受约束的。太阳能工厂模型考虑了各种子系统：HelioStats场，中央腔接收器（接收器），熔融盐热储能，蒸汽发生器和理想的功率块。在整个太阳代码中实现了几种数值方法，并且大多数执行是耗时的。非常小心，以确保平台之间的可重复性。太阳能工具涵盖了在工业和现实生活中的黑框优化问题中可以找到的大多数特征，这些特征都是在开源和独立代码中。
通过机器学习和AI
将计算病理学整合到现有的临床工作中构成了技术和操作挑战。病理部门通常是围绕传统做法组织的，几十年来已经确定的工作流动。介绍计算工具不仅需要在技术方面进行转变，而且还需要临床操作。病理学家必须将其传统作用与对AI生成的见解的监督和解释保持平衡。14虽然这些系统可以自动化常规任务并释放病理学家的时间，但它们还必须直观，可靠，并且无缝地集成到日常工作流中，以获得接受。此外，AI模型的临床验证和监管批准仍然是关键障碍。许多深度学习模型的黑盒本质在理解决策方面带来了挑战，这可能会使病理学家犹豫不决地依靠它们来进行关键的临床决策。监管框架仍在不断发展，模型必须满足安全，准确性和临床效率的严格要求，然后才能在医疗保健环境中广泛采用。
对电子健康记录的互动可视化的思考：过去，现在，未来
很重要。个人健康数据的标准化允许对诊断及其随后的临床过程进行更统一的定义，诊断和治疗中的错误较少，并且医疗指南的应用更可靠。2，例如，在美国（美国），患者现在可以控制其信息，并具有更高的电子访问。 最近的3项研究表明，在过去的8年中，美国成年人的在线病历翻了一番。 4 Syulta Neuse出现了新一代的智能，负担得起和可穿戴设备（例如智能手表）。 这些设备产生了有关用户健康状况的细粒度和连续数据，但不适感最低，从而消除了对专用设备的需求。 人工智能（AI）技术的快速发展也将显着影响医疗保健。 AI技术为医生和患者带来了机会和挑战。 5 AI模型识别复杂数据集中的模式，可能识别出更广泛的疾病进展模式，这些模式可能对临床医生或患者而言可能不明显。 但是，随着医疗保健专业人员经常难以评估导致AI建议的基础过程，AI固有的“黑盒”性质减慢了采用。 本质上，虽然AI模型预测的是令人印象深刻的，但仍然担心AI生产特定的输出以及如何产生。 相当大的缺乏透明度阻碍了信任的建立，因此“医生不会接受”，6要求可解释的AI输出。2，例如，在美国（美国），患者现在可以控制其信息，并具有更高的电子访问。最近的3项研究表明，在过去的8年中，美国成年人的在线病历翻了一番。4 Syulta Neuse出现了新一代的智能，负担得起和可穿戴设备（例如智能手表）。这些设备产生了有关用户健康状况的细粒度和连续数据，但不适感最低，从而消除了对专用设备的需求。人工智能（AI）技术的快速发展也将显着影响医疗保健。AI技术为医生和患者带来了机会和挑战。5 AI模型识别复杂数据集中的模式，可能识别出更广泛的疾病进展模式，这些模式可能对临床医生或患者而言可能不明显。但是，随着医疗保健专业人员经常难以评估导致AI建议的基础过程，AI固有的“黑盒”性质减慢了采用。本质上，虽然AI模型预测的是令人印象深刻的，但仍然担心AI生产特定的输出以及如何产生。相当大的缺乏透明度阻碍了信任的建立，因此“医生不会接受”，6要求可解释的AI输出。