XiaoMi-AI文件搜索系统
World File Search System黑箱
![arXiv:2202.11690v1 [q-bio.NC] 2022 年 1 月 12 日](/simg/7\7d0d54ea9ea1ba10858600a879490fb573f5c9aa.webp)
arXiv:2202.11690v1 [q-bio.NC] 2022 年 1 月 12 日
摘要。通过深度学习进行脑年龄 (BA) 估计已成为脑健康的强大而可靠的生物标记，但神经网络的黑箱性质并不容易洞察脑老化的特征。我们训练了一个 ResNet 模型作为 BA 回归器，该模型基于来自 524 人的小型横断面队列的 T1 结构 MRI 体积。使用逐层相关性传播 (LRP) 和 DeepLIFT 显着性映射技术，我们分析了训练后的模型，以确定与网络最相关的脑老化结构，并在显着性映射技术之间进行比较。我们展示了在衰老过程中对不同脑区相关性归因的变化。对脑区相关性归因的三部分模式出现了。一些区域随着年龄的增长而相关性增加（例如右侧颞横回）；一些区域随着年龄的增长相关性降低（例如右侧第四脑室）；其他区域在各个年龄段都始终相关。我们还研究了大脑年龄差距 (BAG) 对脑容量内相关性分布的影响。希望这些发现能够为正常大脑衰老提供临床相关的区域轨迹，以及比较大脑衰老轨迹的基线。
多模态可解释人工智能综述
摘要：随着计算能力的提高和海量数据集的增长，人工智能（AI）得到了迅速发展。然而，这一进步也增加了解释人工智能模型“黑箱”性质的挑战。为了解决这些问题，可解释人工智能（XAI）应运而生，它注重透明度和可解释性，以增强人类对人工智能决策过程的理解和信任。在多模态数据融合和复杂推理场景的背景下，多模态可解释人工智能（MXAI）的提出将多种模态集成在一起用于预测和解释任务。同时，大型语言模型（LLM）的出现导致了自然语言处理方面的重大突破，但它们的复杂性进一步加剧了 MXAI 的问题。为了深入了解 MXAI 方法的发展，并为构建更透明、公平和值得信赖的 AI 系统提供重要指导，我们从历史角度回顾了 MXAI 方法，并将它们分为四个时代：传统机器学习、深度学习、判别基础模型和生成式 LLM。我们还回顾了 MXAI 研究中使用的评估指标和数据集，最后讨论了未来的挑战和方向。与此评论相关的项目已在 https://github.com/ShilinSun/mxai review 上创建。
![arXiv:2006.11309v1 [cs.AI] 2020 年 6 月 19 日](/simg/8\815b6ddcd9ad12c5b66dd7208c8914603d2dfa68.png)
arXiv:2006.11309v1 [cs.AI] 2020 年 6 月 19 日
数据驱动学习是人工智能 (AI) 许多领域的最新技术，但原始统计性能次于人类的信任、理解和安全。为了在现实世界中大规模部署自主代理，具有各种背景和职责的人必须具备强大的学习和推理心理模型。然而，现代学习算法涉及复杂的反馈回路，缺乏语义基础，从人类的角度来看，它们是黑匣子。可解释人工智能 (XAI) [5] 领域应运而生，以应对这一挑战。XAI 中的大多数工作都侧重于深入了解在静态数据集上训练的分类和回归系统。在这项工作中，我们考虑由代理与其环境交互组成的动态问题。我们介绍了可解释模仿学习 (I2L) 的方法，该方法旨在通过分析黑箱代理的输入输出统计数据来建模其策略。我们称该策略模型为可解释的，因为它采用二叉决策树的形式，易于分解和可视化，可用于事实和反事实解释 [3]。我们通过明确学习代理用作决策基础的潜在状态表示，超越了模仿学习文献中大多数当前工作。在形式化我们的方法后，我们报告了在交通模拟器中实施的初步结果。
人工智能在塑造电子商务消费者需求中的作用
摘要：技术的出现和在商业中的融入改变了各行各业的运营方式。值得注意的是，电子商务的重大技术转变旨在影响客户行为，使其有利于某些产品和品牌。人工智能 (AI) 成为个性化和定制产品以满足特定需求的重要创新工具。这项研究发现，尽管人工智能系统在电子商务中做出了贡献，但它的道德合理性是一个有争议的问题，特别是在可解释性概念方面。该研究采用了词云分析、远见分析和一致性分析来详细了解可解释性的概念，正如研究人员在人工智能背景下所使用的那样。在语料库分析的推动下，这项研究为统一的前沿奠定了基础，从而为寻求制定可解释人工智能 (XAI) 模型的科学突破做出了贡献。XAI 是一个机器学习领域，它检查并试图理解人工智能系统的黑箱决策所涉及的模型和步骤；它提供了对用于提出建议的决策点、变量和数据的洞察。这项研究表明，要部署可解释的 XAI 系统，应该改进 ML 模型，使其可解释和可理解。
可解释人工智能的机遇与挑战......
摘要 — 如今，深度神经网络广泛应用于医疗保健、自动驾驶汽车和军事等对人类生活有直接影响的关键任务系统。然而，深度神经网络的黑箱性质对其在关键任务应用中的使用提出了挑战，引发了道德和司法问题，导致缺乏信任。可解释人工智能 (XAI) 是人工智能 (AI) 的一个领域，它推广一套工具、技术和算法，可以生成高质量、可解释、直观、人类可理解的 AI 决策解释。除了提供深度学习中当前 XAI 格局的整体视图外，本文还提供了开创性工作的数学摘要。我们首先提出一个分类法，并根据 XAI 技术的解释范围、算法背后的方法论以及解释级别或用途对其进行分类，这有助于构建可信、可解释和不言自明的深度学习模型。然后，我们描述 XAI 研究中使用的主要原理，并介绍 2007 年至 2020 年 XAI 里程碑式研究的历史时间表。在详细解释每类算法和方法之后，我们将评估八种 XAI 算法在图像数据上生成的解释图，讨论这种方法的局限性，并提供改进 XAI 评估的潜在未来方向。
庇护系统中的人工智能（AI）
通过实时语言翻译，人工智能简化了庇护案件处理流程，有可能使申请人和官员之间不受语言障碍的影响进行有效沟通，从而节省翻译服务成本。人工智能可以协助翻译和整理大量文件，例如个人证词或法律文件，确保多种语言的准确性和一致性。先进的人工智能翻译工具还能够从上下文中学习，这可能有助于更好地理解申请人叙述的细微差别和文化特点。2023 年 5 月，英国内政部组织了一场“黑客马拉松”，探讨人工智能技术可能有助于减少庇护积压的方法。4 同年晚些时候，2023 年人工智能安全峰会 5 强调了人工智能全球发展速度带来的安全问题。一个明显的问题是，基本权利能否得到保障。欧盟委员会提出的《人工智能法案》等法律框架旨在规范人工智能的使用，同时提供全球安全标准。6 在庇护过程中部署人工智能引发了人们对可能对本已脆弱的群体造成伤害的严重担忧。7 人工智能系统可能会通过延续或放大偏见，导致不公平的偏见决策。这种危险因“黑箱”而加剧
一个通过...研究设计思维的框架
摘要 本文提出了一个研究设计思维的框架。文中描述了三种测量设计认知过程的典型方法：设计认知、设计生理学和设计神经认知。每种典型方法都有特定的工具和方法。设计认知通过协议分析、黑箱实验、调查和访谈进行探索。设计生理学通过眼动追踪、皮肤电活动、心率和情绪追踪进行测量。设计神经认知使用脑电图、功能性近红外光谱和功能性磁共振成像进行测量。文中给出了一些示例来描述每种方法提供的关于设计思维特征的结果类型，例如设计模式、设计推理、设计创造力、设计协作、问题解决空间的共同演化或设计分析和评估。研究设计思维的三种典型方法的结果的三角测量为理解设计认知过程提供了协同基础。这些研究的结果为设计师、设计教育者和设计科学研究人员提供了反馈来源。新的模型、新的工具和新的研究问题从所提出的综合方法中诞生，并为研究设计思维奠定了未来的挑战。
通过测量设计师的思想、身体和大脑来研究设计思维的框架
摘要 本文提出了一个研究设计思维的框架。文中描述了三种测量设计认知过程的典型方法：设计认知、设计生理学和设计神经认知。每种典型方法都有特定的工具和方法。设计认知通过协议分析、黑箱实验、调查和访谈进行探索。设计生理学通过眼动追踪、皮肤电活动、心率和情绪追踪进行测量。设计神经认知使用脑电图、功能性近红外光谱和功能性磁共振成像进行测量。文中给出了一些示例来描述每种方法提供的关于设计思维特征的结果类型，例如设计模式、设计推理、设计创造力、设计协作、问题解决空间的共同演化或设计分析和评估。研究设计思维的三种典型方法的结果的三角测量为理解设计认知过程提供了协同基础。这些研究的结果为设计师、设计教育者和设计科学研究人员提供了反馈来源。新的模型、新的工具和新的研究问题从所提出的综合方法中诞生，并为研究设计思维奠定了未来的挑战。
Berkshire West初级保健联盟（BWPCA）
•员工教育：我们在入职时引入了“减少碳计划”，并参与了员工的反馈以确定其他机会。•可持续旅行：我们鼓励公共交通，步行，骑自行车和汽车共享；以及通过旅行费用索赔进行自行车2Work计划并进行跟踪参与。•远程工作：我们支持远程工作和通过MS团队举行会议，以减少旅行排放。•减少纸张：通过减少邮费，墨水和纸张成本的减少，我们对数字记录和电子通信的依赖增加了。•我们最大化EPS的使用情况。•节水：我们正在与利益相关者合作，通过减少的水费来实施节水措施。•本地和绿色供应商：我们积极优先考虑具有绿色证书的本地供应商，以减少运输排放。•我们正在教育员工减少一次性塑料和浪费。•我们正在监视黑箱垃圾的减少和增加的回收率。•在整个组成部分实践中，我们已经将60％的患者沟通转变为数字平台（例如文本消息传递，患者门户），从而减少了对基于纸张的方法的依赖。•与GP实践和皇家伯克希尔医院基金会信托基金（RBHFT，BWPA）合作，支持了紧急护理中心和GP实践中向节能LED照明的过渡）。
利用人工智能诊断和治疗神经系统急症：全面回顾近期进展和未来方向
人工智能 (AI) 正在迅速改变神经病学领域，为诊断和管理中风、创伤性脑损伤和急性脊髓损伤等突发神经系统疾病提供创新解决方案。本综述批判性地审查了神经病学领域人工智能应用的最新进展，强调了这些技术的潜力和局限性。虽然人工智能在诊断成像、结果预测和个性化治疗计划方面表现出了非凡的准确性和速度，但其融入临床实践仍然受到道德问题、基础设施限制和许多人工智能算法的“黑箱”性质的挑战。本综述强调了当前文献中的差距，特别是在资源匮乏的环境中对人工智能的使用及其在不同人群中的普遍性的研究有限。此外，本综述强调需要进行更多纵向研究来评估人工智能驱动干预措施的长期疗效，并呼吁提高人工智能系统的透明度，以增强临床医生之间的信任。神经病学领域人工智能的未来方向强调了跨学科合作、监管监督和开发可造福所有患者群体的公平人工智能模型的重要性。这篇评论对人工智能在神经病学中的作用进行了平衡而全面的概述，并深入了解了未来的机遇和挑战。