XiaoMi-AI文件搜索系统
World File Search System2016a
利用 CRISPR/Cas9 基因编辑系统创建新的果蝇 X 染色体平衡子 First Multiple 8 (FM8)
一个广泛使用的具有较长非倒置片段的平衡子的重要例子是 X 染色体平衡子 First Multiple 7 (FM7, Merriam 1968)，其中在 FM7c 染色体上发现的雌性不育突变 singed, sn X2 因 4E1-11F2 倒位内的双交叉事件而多次丢失 (Miller et al. 2016a)。我们研究了该区域中的几个雌性不育基因和雌性致死基因（例如 ovo 、 snf 、 Sxl 、 otu ； Grammates et al. 2022），并希望实现更好的平衡。由于我们使用的这些基因的等位基因在雄性中可存活且可育，因此我们希望平衡子具有半合子和纯合致死性。为了构建更好的平衡子，我们利用了 CRISPR/Cas9 基因组编辑系统 (Ren 等人 2013；Port 和 Bullock 2016；Benner 和 Oliver 2018)，针对 FM7c 的这个大型有问题的倒位 (4E1-11F2，图 1B)。这个片段中的新倒位将更好地抑制此区域内的双交叉事件。为了有目的地设计一个新的倒位，我们想要在 4E1-11F2 片段内创建一个断点，并在 FM7c 上此片段外的另一个区域创建一个断点。我们决定在 FM7c 平衡子染色体中的 cut (ct，在 4E1-11F2 内，图 1B) 处进行倒位，这是一个必需基因，但具有可行的等位基因，以及 white a (wa，在 4D7-1B3 内，图 1B)。为了实现这一目标，我们创建了一个多顺反子 CRISPR gRNA 构建体（Port 和 Bullock 2016；Benner 和 Oliver 2018），其中包含两个针对 wa 第一个内含子的 gRNA（Grammates 等人 2022）和两个针对 ct 和 ct 6 之间区域的 gRNA
健康食品环境政策指数（Food-EPI）
简介世界卫生组织 (WHO) 预测，到 2030 年，爱尔兰将成为欧洲体重超标最严重的国家之一 (Breda 等人，2015 年，健康爱尔兰，2016a)。四分之一的儿童和三分之二的成年人超重 (Layte 和 McCrory，2011 年)，肥胖率高得令人无法接受 (Keane 等人，2014 年)。成人超重和肥胖造成的直接和间接成本估计为每年 11.3 亿欧元 (Dee 等人，2015 年)，而儿童期超重和肥胖造成的儿童年度直接医疗保健费用估计为 170 万欧元 (Ivan J. Perry，2017 年)。有效的政府政策对于提高食品环境的健康程度以及减少肥胖、非传染性疾病及其相关不平等至关重要 (INFORMAS，2019 年)。食品环境被定义为影响人们的食物和饮料选择以及营养状况的集体物理、经济、政策和社会文化环境、机会和条件。不健康的食品环境会导致不健康的饮食和过量的能量摄入，从而影响发病率和死亡率。政府必须实施预防政策和行动，以匹配不健康饮食造成的负担程度（INFORMAS，2019 年）。食品环境政策指数 (Food-EPI) 由国际食品和肥胖/非传染性疾病研究、监测和行动支持网络 (INFORMAS) 制定，并根据一系列良好实践声明评估政府的政策实施水平和基础设施支持 (Vandevijvere 和 Swinburn，2015 年)。食品 EPI 旨在回答一个总体问题：政府在改善食品环境和实施肥胖和非传染性疾病 (NCD) 预防政策和行动方面取得了多大进展？因此，爱尔兰食品 EPI 的目标是；
塞拉利昂的世纪数字空间：实践论述
埃默森·亚伯拉罕·杰克逊 1 摘要 本文为塞拉利昂教育现代化提供了一个批判性讨论的机会，以应对 21 世纪数字化转型的现实。这项研究的目的是实现三个目标，包括评估该国的技术供应和差距，并提出建议，以实现该国实现与撒哈拉以南非洲地区同行相当的现实增长前景的希望。该方法结合了对现有技术的论述分析，这些技术将使该国能够在促进增长和发展方面取得适当的进展。结果揭示了供应方面的差距，这并不是在指责，而是需要确保资源被用于解决所有部门经济发展的空间，同时为人力资源技能增加价值。结论表明，应该投入资源，确保系统准备好迎接技术现代化的进步，以实现经济的持续增长。关键词：数字空间、现代化教育体系、创新、塞拉利昂 1. 简介 教育被视为任何经济体经济增长的关键（Jackson，即将出版；Zivengwa、Hazvina、Ndedzu. 和 Mavesere，2013 年）。教育管理属于公共部门交付的范围，其有效性对于确保经济所有部门实现经济进步至关重要——这意味着计划的教育议程的实施必须考虑到部门目标，同时不能忽视全球经济快速发展的技术进步的速度或动向（Jackson，2020a；2016a）。世界各地的经济体，尤其是撒哈拉以南非洲 (SSA) 的经济体，正在取得足够的进步，以跟上其教育系统的数字空间，这为增长和发展增加了足够的价值。一个显著的例子就是新冠肺炎疫情，由于经济需要保持
引文 Guo H, Guo Q, Li Z 和 Wang Z (2024) 不同 GLP-1 受体激动剂与急性胰腺炎的关系：病例系列和现实世界
T2DM，因为它们在调节血糖水平方面具有显著的功效，而且不会增加低血糖发作或体重增加的风险（ Drucker 和 Nauck，2006；Nauck，2016）。此外，各种大规模心血管结果试验 (CVOT) 的良好结果表明，GLP-1RA 可以减轻心血管风险较高的 T2DM 患者发生重大不良心血管事件 (MACE) 的风险（ Marso et al., 2016a；Marso et al., 2016b；Hernandez et al., 2018；Pfeffer et al., 2015；Holman et al., 2017；Husain et al., 2019；Gerstein et al., 2019）。由于这些有利的特性，GLP-1RA 已获得权威指南的认可（ Marx 等人，2023 年；2024 年），成为 2 型糖尿病患者的重要治疗选择，尤其是那些已有动脉粥样硬化性心血管疾病或心血管风险较高的患者。然而，多年来，人们一直担心 GLP-1 RA 对胰腺的影响。根据观察数据，2011 年的一份报告强调，使用肠促胰岛素治疗的患者患胰腺炎和胰腺癌的风险增加（ Elashoff 等人，2011 年），促使美国食品药品监督管理局 (FDA) 就 GLP-1 RA 对胰腺的安全性发出警告（ Administration，2013 年）。病例报告回顾（Franks 等人，2012 年）进一步加剧了人们对 GLP-1RA 对胰腺的潜在不良影响的担忧，导致胰腺酶升高和 AP。一项大型随机对照试验的荟萃分析研究了基于肠促胰岛素的疗法与 AP 之间的关联，显示与传统疗法相比，使用这些药物时发生 AP 的可能性高 82%（95% CI，1.17 – 2.82）（Roshanov 和 Dennis，2015 年）。虽然最近发表的几项 CVOT 荟萃分析表明，GLP-1RA 与胰腺炎之间没有这种关联（Singh 等人，2020 年；Cao 等人，2020 年）。尽管如此，此类研究也存在重大缺陷，包括平均随访时间相对较短（RCT 中不到 2 年）、患者队列选择不当以及样本量有限。在本研究中，我们回顾了已发表的文献，并分析了美国食品药品管理局不良事件报告系统 (FAERS) 数据，以调查 GLP-1 RA 治疗中 AP 的发生率。我们的目标是提供 GLP-1 RA 诱发的 AP 的全面临床描述，并确定现实环境中 AP 和 GLP-1 RA 之间存在安全信号。
神经技术和系统神经工程学中的巨大挑战
神经经济学的研究领域旨在“了解野外的大脑，其在日常生活中不受限制的现实世界中的活动及其与行动，行为，身体和环境的关系”（Dehais等人，2020年）。这个领域具有巨大的潜力，可以在许多领域（例如教育，制造，娱乐，健康，交通运输）开发创新应用。为了实现这一潜力，许多神经经济学的研究应用都依赖或需要神经技术。神经技术是一种技术类别，其中系统设计结合了神经原理或直接与大脑和身体信号接口。最流行的神经技术类型特别包括脑部计算机界面（BCI）（Clerc等，2016a，b; Nam等，2018）和生理计算（Fairclough，2009; Fairclough; Fairclough and Gilleade，2014）。为了在实践中使用，还必须在整个系统级别上研究和集成神经经济学。换句话说，我们需要开发系统神经经济学的概念，这是工程，神经科学和人为因素的跨学科领域，这将神经经济学的方法整合到复杂系统的设计，开发和管理（例如，地球，信息，信息系统，视频系统或医疗刀具）中。在这种情况下的系统是指机器，机器人，计算机和人类用户的任何组合。但是，这个目标与技术如何在日常生活中融入工作和休闲的现实相去甚远。这是机器级别的挑战。本期刊，神经经济学领域的前沿，部分神经技术和系统神经工程学，旨在在这些原理，协议和应用中发表显着进步，这些进步是基于神经技术发展中神经工学的发展的发展，以创建人类计算机界面的新形式，以增强人体计算机界面。的确，对于实验室研究的演示器系统级别，绝大多数用于神经工学的神经技术仍然存在，并且在这些实验室之外很少使用。如果通过定义的神经经济学旨在研究在野外使用的行为和技术，那么对于神经技术而言，也很重要的是，也要从实验室和现实世界中进行这种发展的飞跃。此外，我们必须建立系统理解神经技术如何嵌入个人，团队和组织的工作中。为了了解神经技术如何从当前作为实验室示威者的地位演变为日常工作和休闲中的用法案例，我们提出了三个宏伟的挑战：（1）设计具有强大可靠的神经技术，甚至在所有用法环境中都具有很高的精度。（2）设计用户使用神经技术的体验，以确保这些技术可用，可接受且对其用户有用。这是用户级别的挑战。（3）开发神经经济学中的系统思维，将神经经济学整合，研究和优化为
染色体微阵列检测（非肿瘤疾病）
对染色体微阵列检测结果异常或有可疑的胎儿或儿童的亲生父母或兄弟姐妹进行评估 使用 aCGH 或 SNP 阵列进行染色体微阵列检测尚未得到证实，并且由于疗效证据不足，对于所有其他人群和情况而言，在医学上并非必要。 注意：医疗政策“植入前基因检测和相关服务”中介绍了植入前基因检测 (PGT)。 用于审核的医疗记录文件 医疗服务的福利覆盖范围由会员特定的福利计划文件和可能要求覆盖特定服务的适用法律决定。可能需要医疗记录文件来评估会员是否符合临床覆盖标准，但不能保证覆盖所要求的服务；请参阅标题为“用于审核的医疗记录文件”的协议。定义 发育迟缓：发育迟缓可用于描述 5 岁以下儿童在预期年龄出现发育里程碑延迟的情况（Moeschler 和 Shevell，2014 年，2019 年重申）。 智力障碍：18 岁前诊断出的疾病，包括智力功能低于平均水平和缺乏日常生活所需的技能（MedlinePlus，2020 年）。 宫内胎儿死亡或死产：妊娠 20 周或之后胎儿死亡（美国妇产科医师学会 [ACOG]、母胎医学会 [SMFM]，2020 年，2021 年重申）。产前诊断：在出生前对胎儿脱氧核糖核酸 (DNA) 或染色体进行的实验室检测，以确定胎儿是否患有遗传或染色体疾病（ACOG，2016a，2023 年重申）。明确的遗传综合征：综合征是一组可识别的特征或异常，这些特征或异常往往同时发生并与特定疾病有关。可以使用特定面部特征或其他身体特征、实验室测试或家族史等区别性特征来识别遗传综合征。（《基因组和遗传术语词汇表》，美国国家人类基因组研究所，2024 年）。明确的遗传综合症的例子包括但不限于：唐氏综合症、克氏综合症、马凡氏综合症、1 型神经纤维瘤病、成骨不全症、普拉德-威利综合症、雷特综合症、13 三体综合症（帕陶综合症）、18 三体综合症（爱德华兹综合症）、特纳综合症和威廉姆斯综合症。适用代码以下程序和/或诊断代码列表仅供参考，可能并不全面。本政策中的代码列表并不意味着该代码描述的服务是承保的或不承保的健康服务。健康服务的福利承保范围由会员特定的福利计划文件和可能要求承保特定服务的适用法律决定。包含代码并不意味着有任何报销权利或保证索赔付款。其他政策和指南可能适用。
没有随机传递性的成对比较
成对比较数据在统计学和机器学习中受到了广泛关注，并在各个领域有着广泛的应用。这类数据通常来自锦标赛，其中每个成对比较结果都来自两个选手或队伍之间的比赛，或来自众包环境，其中个人负责比较两个项目，例如图像、电影或产品。具体而言，著名的瑟斯顿 (Thurstone, 1927) 和布拉德利-特里 (BT; Bradley and Terry, 1952) 模型为该领域奠定了基石，随后进行了许多扩展，包括 Shah 等人 (2016a) 提出的参数序数模型，拓宽了参数模型的类别。Oliveira 等人 (2018) 放宽了已知链接函数的假设，并提出了允许链接函数属于广泛函数家族的模型。非参数方法也已出现，例如 Shah 和 Wainwright (2018) 中基于 Borda 计数算法介绍的工作，以及 Chatterjee (2015) 和 Chatterjee 和 Mukherjee (2019) 研究的非参数 Bradley-Terry 模型。此外，还开发了用于众包环境的成对比较模型，如 Chen 等人 (2013) 和 Chen 等人 (2016) 等所讨论的。成对比较模型已获得广泛的应用，包括排名聚合（Chen and Suh，2015；Chen 等人，2019；Heckel 等人，2019；Chen 等人，2022b）、预测比赛 / 锦标赛（Cattelan 等人，2013；Tsokos 等人，2019；Macr`ı Demartino 等人，2024）、测试博彩市场的效率（McHale and Morton，2011；Ly´ocsa and V`yrost，2018；Ramirez 等人，2023）以及基于人工评估改进大型语言模型（Christiano 等人，2017；Ouyang 等人，2022；Zhu 等人，2023）。虽然上述模型对该领域做出了重大贡献，但它们依赖于随机传递性的假设，这意味着球员/球队/项目之间存在严格的排名。然而，这种假设可能不切实际，特别是在涉及多种技能或策略的环境中，不传递性自然会出现。尽管它具有实际重要性，但对允许不传递性的模型的研究仍然有限。一些值得注意的例外包括 Chen 和 Joachims (2016) 和 Spearing 等人 (2023) 的工作，他们通过引入额外参数来描述不传递性以及基于 Bradley-Terry 概率指定绝对优势的参数，扩展了 Bradley-Terry 模型。Spearing 等人 (2023) 提出了一种在完整贝叶斯框架下进行参数估计的马尔可夫链蒙特卡罗算法。然而，他们的贝叶斯程序计算量大，对于涉及许多球员或相对较高潜在维度的高维设置不切实际。 Chen 和 Joachims (2016) 将参数视为固定量，并通过优化正则化目标函数来估计它们。然而，它们的目标函数是非凸的，并且它们的模型高度过度
蛛网遗传学和生物材料中的巨大挑战
蛛网膜，尤其是蜘蛛，在大多数生态系统中都充满了丰富（Blamires等，2007; Oxbrough and Ziesche，2013; Henneken et al。，2022; Agnarsson，2023; 2023; Fonseca-Fonseca-Fornesca-forreira等，2023）。蛛网膜（例如蜘蛛，蝎子和螨虫）创建和/或分泌一系列生物材料，包括丝绸，胶水，胶粘剂，粘合剂，纳米纤维，毒液和其他毒素，以及用于形成感觉系统，盔甲，身体色彩/发光和位置的感官系统，kuntememotion（Kuntner，2022），用于形成感觉系统研究了这些类型的蛛网分泌产品的进化和生态方面的研究已经确定，扩展的表型特征使蛛网动物具有巨大的利基灵活性（Agnarsson等，2010; Blamires et al。 Al。，2018年，Viera等人，2019年； Henneken等，2022年； 尽管如此，促进这种功能的遗传特征和表达模式在很大程度上仍未得到探索。 蜘蛛很容易通过将线程放到收集平台上，或者通过麻醉和启动机制来建立网站和/或生产丝绸（Blamires等，2012a; Blamires等，2012b; Blamires et al。 2018; Lacava等人，2018年； 遗传和其他实验的最新进展（参见Sane和McHenry，2009; Craig et al。，2019; Craig et al。，2022; Blamires等，2023a）和计算（例如>研究了这些类型的蛛网分泌产品的进化和生态方面的研究已经确定，扩展的表型特征使蛛网动物具有巨大的利基灵活性（Agnarsson等，2010; Blamires et al。 Al。，2018年，Viera等人，2019年； Henneken等，2022年；尽管如此，促进这种功能的遗传特征和表达模式在很大程度上仍未得到探索。蜘蛛很容易通过将线程放到收集平台上，或者通过麻醉和启动机制来建立网站和/或生产丝绸（Blamires等，2012a; Blamires等，2012b; Blamires et al。 2018; Lacava等人，2018年；遗传和其他实验的最新进展（参见Sane和McHenry，2009; Craig et al。，2019; Craig et al。，2022; Blamires等，2023a）和计算（例如BLAMIRES和卖家，2019年； Craig等，2020； von Reumont等人，因此利用这一点的研究已经建立了有关蜘蛛网络和丝绸结构和功能变异性的强大背景知识（Vollrath和Porter，2006a; Kluge等，2008; Porter and Vollrath，; Porter and Vollrath，2009; Blamires，2010; Blamires et al。，2016b; Blamires; Blamires，2022222222222222222222222222.BlamIr。The genetic expression patterns for certain components of speci fi c silks have now been sequenced for selected species of spiders ( Babb et al., 2017 ; Garb et al., 2019 ; Kono et al., 2019 ), and a database of genetic and molecular structures and bulk fi bre functions for the major ampullate (dragline) silks of over 1000+ spider species has been compiled ( Arakawa et Al。，2022）。Nevertheless, such a strong body of knowledge does not exist for the other arachnid biomaterials (but see Lo ́ pez-Cabrera et al., 2020 ; Lozano-Pe ́ rez et al., 2020 , and Macha ł owski et al., 2020 for detailed reviews on cuticular structural materials, scorpion fl uorescent molecules, and mite silks).在蜘蛛丝上的积累工作意味着我们现在了解环境因素可以影响差异蛋白的遗传机制（在蜘蛛中，这些被称为蜘蛛蛋白，蜘蛛网的portmanteau）表达和生物材料产生，以及这些在表型和扩展的表型表达上的复杂复杂性。
引文 Qiu J, Wu H, Xie Q, Zhou Y, Gao Y, Liu J, Jiang X, Suo L 和 Kuang Y (2024), 利用 D 介导的精确线粒体 DNA 碱基编辑
社会。最重要的是，迄今为止，针对这一系列致残或限制生命的疾病，获得许可的治疗方法极其有限（Chinnery，2015；Viscomi 等人，2023）。线粒体疾病的治疗方法包括对症治疗以改善生活质量或延长寿命，以及基因治疗以减少异质体并治愈细胞生化缺陷。对症治疗包括操纵线粒体的细胞含量、通过雷帕霉素诱导线粒体周转、恢复 NAD + 水平、调节活性氧的产生和氧化应激等（Russell 等人，2020）。基因治疗包括直接编辑线粒体基因组、基因替代疗法（Silva-Pinheiro 等，2020；Ling 等，2021）和线粒体移植疗法（Green field 等，2017）。基因编辑技术作为一种潜在的治疗选择，在过去十年中已在核遗传疾病的治疗中得到广泛研究（Sharma 等，2015；Nelson 等，2016；De Ravin 等，2017；Zheng 等，2022），越来越多的临床试验正在进行中（Arabi 等，2022）。然而，由于缺乏有效的工具来操纵 mtDNA（ Silva-Pinheiro 和 Minczuk，2022 年），其在由 mtDNA 突变引起的线粒体疾病中的意义受到阻碍，除非通过锌指融合（ Minczuk et al., 2008; Gammage et al., 2014; Gammage et al., 2016a; Gammage et al., 2016b; Gammage et al., 2018b ）或 TALE 融合的 fokI 核酸酶（ Bacman et al., 2013; Reddy et al., 2015; Bacman et al., 2018; Pereira et al., 2018; Yang et al., 2019）或 TALE 融合的 fokI 核酸酶（ Bacman et al., 2013; Reddy et al., 2015; Bacman et al., 2018; Pereira et al., 2018; Yang et al., 2019）切割和消除有害的 mtDNA 拷贝。线粒体DNA碱基编辑技术目前已发展成为生物技术中最常用的编辑技术之一（Pereira et al., 2018），以及基于TALE系统的单体酶（Pereira et al., 2018）。近年来，基于TALE的线粒体DNA碱基编辑工具陆续被引入，第一种是DddA衍生的胞嘧啶碱基编辑器（DdCBE）（Mok et al., 2020），它为按预期操纵线粒体DNA打开了大门。DddA系统来源于伯克霍尔德菌，DdCBE由两半无毒的TALE融合分裂DddA（DddA-N和DddA-C）组成，通过将这两半分裂的DddA重新组装成功能性脱氨酶，催化间隔区域内的胞嘧啶脱氨。目前，DdCBE 已成功应用于植物 (Kang et al., 2021)、哺乳动物细胞 (Mok et al., 2020)、斑马鱼 (Guo et al., 2021)、小鼠 (Lee et al., 2021; Lee et al., 2022a; Guo et al., 2022)、大鼠 (Qi et al., 2021) 甚至人类生殖细胞 (Wei et al., 2022a; Chen et al., 2022) 的线粒体 DNA 编辑。在我们的实验室中，它还已成功用于小鼠早期卵泡阶段的有效生殖系线粒体 DNA 编辑（已提交数据）。不幸的是，它在挽救线粒体疾病方面的应用极其罕见，无论是用于治疗研究（Silva-Pinheiro 等人，2022 年）还是用于临床试验（Chen 和 Yu-Wai-Man，2022 )。众所周知，潜在基因编辑结果的可预测性对于基因编辑技术在临床上用于基因治疗至关重要。为此，已经进行了大量的工作来了解CRISPR系统在核基因组编辑中对不同靶标的编辑规则，并且已经证明对于每个被CRISPR/Cas9编辑的原型间隔物来说，其结果是完全可预测的（van Overbeek et al., 2016 ; Shen et al., 2018 ; Shou et al., 2018 ; Allen et al., 2019 ; Chakrabarti et al., 2019 ; Chen et al., 2019 ; Long, 2019 ; Shi et al., 2019 ），这使我们能够提前知道每种策略在临床上应用的潜在结果。然而，对于线粒体基因组，由于缺乏 DNA 修复，CRISPR/Cas9 尚未参与 mtDNA 编辑
![arXiv:2009.05487v3 [cs.AI] 2021 年 8 月 26 日](/simg/3\3c87b68027f137968ab7fa405274c3bf872022b1.png)
arXiv:2009.05487v3 [cs.AI] 2021 年 8 月 26 日
机器学习 (ML) 正在改变着工业、科学和社会。如今，ML 算法可以在理发店预约（Leviathan 和 Matias，2018 年）、根据蛋白质的氨基酸序列确定其 3D 形状（Senior 等人，2020 年），甚至可以撰写新闻文章（Brown 等人，2020 年）。仔细观察这些发展，我们发现模型越来越复杂。不同的 ML 模型以启发式方式堆叠在一起，但理论支持有限（Hutson，2018 年）。在某些应用中，只要算法在大多数情况下表现良好，复杂性可能就不是问题。然而，在社会、认识论或安全关键领域，复杂性可能会排除 ML 解决方案——例如自动驾驶、科学发现或刑事司法。高度复杂算法的两个主要缺点是模糊性问题（Lipton，2018 年）和对抗性攻击（Szegedy 等人，2014 年）。模糊性问题描述了人类对 ML 算法内部运作的有限认知访问，尤其是关于参数的语义解释、学习过程和 ML 决策的人为可预测性（Burrell，2016 年）。这种可解释性的缺乏最近引起了广泛关注，从而催生了可解释人工智能 (XAI) 领域的发展（Doshi-Velez 和 Kim，2017 年；Rudin，2019 年）。人们提出了许多技术来深入了解机器学习系统（Adadi 和 Berrada，2018 年；Doˇsilovi´c 等人，2018 年；Das 和 Rad，2020 年）。与模型无关的方法尤其受到关注，因为与特定于模型的方法不同，它们的应用不限于特定的模型类型（Molnar，2019 年）。全局与模型无关的解释技术（如置换特征重要性（Fisher 等人，2019 年）或部分依赖图（Friedman 等人，1991 年））旨在理解机器学习算法的一般属性。另一方面，局部模型无关解释方法（如 LIME（Ribeiro 等人，2016 年）或 Shapley 值（ˇ Strumbelj 和 Kononenko，2014 年））旨在理解算法在特定区域的行为。解释特定模型预测的一种方法是反事实解释 (CE)（Wachter 等人，2017 年）。CE 通过提供最接近的替代输入来解释预测，该输入将导致不同的（通常是期望的）预测。CE 是我们在本文中研究的第一类对象。对抗性攻击问题描述了这样一个事实：复杂的 ML 算法容易受到欺骗（Papernot 等人，2016a；Goodfellow 等人，2015；Szegedy 等人，2014）。攻击者可以利用此类故障来伤害模特雇主或危及最终用户（Song 等人，2018）。研究对抗性攻击的领域称为对抗性机器学习（Joseph 等人，2018）。如果攻击发生在训练过程中，通过插入错误标记的训练数据，这种攻击称为投毒。如果攻击发生在训练过程之后，通常称为对抗性示例 (AE)（Serban 等人，2020 年）。AE 是类似于真实数据但被训练过的 ML 模型错误分类的输入，例如，乌龟图像被归类为 rière（Athalye 等人，2018 年）。因此，错误分类在这里意味着算法与某些（通常是人类给出的）基本事实相比分配了错误的类别/值（Elsayed 等人，2018 年）。AE 是与我们的研究相关的第二类对象。尽管不透明度问题和对抗性攻击问题乍一看似乎毫无关联，但仍有充分的理由联合研究它们。 AE 显示了 ML 模型失败的地方，检查这些失败可以加深我们对模型的理解（Tomsett 等人，2018 年；Dong 等人，2017 年）。另一方面，解释可以阐明如何改进 ML 算法，使其对 AE 更具鲁棒性（Molnar，2019 年）。缺点是，解释可能包含有关模型的太多信息，从而允许构建 AE 并攻击模型（Ignatiev 等人，2019 年；Sokol 和 Flach，2019 年）。CE 与 AE 的联系比其他解释更强。CE 和 AE 可以通过解决相同的优化问题 1 来获得（Wachter 等人，2017 年；Szegedy 等人，2014 年）：