XiaoMi-AI文件搜索系统
World File Search SystemAAAI
CHI 2023 人工智能素养研讨会_决赛
Fred Martin 计算机科学，马萨诸塞大学洛厄尔分校，fred_martin@uml.edu 多年来，培养公众的人工智能素养一直是 CHI 关注的领域，并且围绕诸如教儿童如何构建和编程人工智能系统、设计学习体验以拓宽公众对人工智能的理解、开发可解释的人工智能系统、了解新手如何理解人工智能以及探索公共政策、道德和人工智能素养之间的关系等问题，正在形成一个庞大的社区。之前与人工智能素养相关的研讨会已在其他会议（例如 SIGCSE、AAAI）上举行，这些会议主要侧重于将对 K-12 课堂环境中的人工智能教育感兴趣的研究人员和教育工作者聚集在一起，这是该领域的一个重要子领域。我们的研讨会旨在投下更广阔的网，既涵盖与在 K-12 教育中引入人工智能相关的人机交互研究，也涵盖更广泛地关注人工智能素养问题的人机交互研究，包括成人教育、在工作场所与人工智能的互动、了解用户如何理解和学习人工智能系统、为非专家用户开发可解释人工智能 (XAI) 的研究，以及与人工智能素养相关的公共政策问题。
AHFE2022_FinalProgram.pdf - AHFE 会议
Michael van Lent 博士是 Soar Technology, Inc. 的首席执行官兼总裁。在此职位上，他领导 SoarTech 致力于开发以人为本的人工智能解决方案，以解决军事上最棘手的问题。他在国防部从事人工智能研究方面拥有 25 年以上的经验，并领导了由 DARPA、海军、陆军和空军 RDT&E 组织资助的广泛研究、开发和商业化工作。van Lent 博士在学术期刊和会议上发表了大量文章，并且是 AAAI 人工智能和交互式数字娱乐会议 (AIIDE) 的创始组织者。他为多个军事训练应用程序的开发和全光谱战士视频游戏 (Xbox、Windows) 的商业发布做出了贡献。他之前曾在海军研究实验室的海军人工智能应用研究中心 (NCARAI) 工作，应用遗传算法开发用于空战的 AI 飞行员模型，并担任南加州大学创意技术研究所 (ICT) 游戏研究副主任，应用可解释的 AI 和游戏技术开发沉浸式训练应用程序。van Lent 博士拥有密歇根大学计算机科学博士学位、田纳西大学计算机科学硕士学位以及威廉姆斯学院计算机科学学士学位。
符号与亚符号 AI 方法：朋友还是敌人？
符号和亚符号代表人工智能 (AI) 的两个主要分支。人工智能领域在 20 世纪 50 年代取得了巨大进步并确立了地位，在此之前，McCulloch 和 Pittes 做出了一些最著名和开创性的工作，他们在 1943 年建立了神经网络 (NN) 的基础，而 Turing 的工作则在 20 世纪 50 年代引入了机器智能测试，即图灵测试。自发明以来，该领域的发展经历了起起伏伏，俗称人工智能季节，其特点是“夏季”和“冬季”。这些起伏的具体时期尚不清楚，但是，我们根据维基百科和 Henry Kautz 在 AAAI 2020 上的演讲 1“第三个 AI 夏天”采用了中间惯例。我们在图 1 中展示了这些发展的时间表。第一个 AI 夏天，也称为黄金时代，始于 AI 诞生几年后，它基于对解决问题和推理的乐观态度。直到 20 世纪 80 年代，主导范式都是符号 AI。这时，亚符号 AI 开始占据主导地位并受到关注，直到最近几年。两种不同方法之间存在长期而未解决的争论。然而，不同人工智能领域之间的这场较量即将结束，因为我们目前正在经历第三次人工智能之夏，其中主导浪潮是
符号与亚符号人工智能方法：朋友还是敌人？
符号和亚符号代表人工智能 (AI) 的两个主要分支。人工智能领域在 20 世纪 50 年代取得了巨大进步并确立了地位，在此之前，McCulloch 和 Pittes 做出了一些最著名和开创性的工作，他们在 1943 年建立了神经网络 (NN) 的基础，而 Turing 的工作则在 20 世纪 50 年代引入了机器智能测试，即图灵测试。自发明以来，该领域的发展经历了起起伏伏，俗称人工智能季节，其特点是“夏季”和“冬季”。这些起伏的具体时期尚不清楚，但是，我们根据维基百科和 Henry Kautz 在 AAAI 2020 上的演讲 1“第三个 AI 夏天”采用了中间惯例。我们在图 1 中展示了这些发展的时间表。第一个 AI 夏天，也称为黄金时代，始于 AI 诞生几年后，它基于对解决问题和推理的乐观态度。直到 20 世纪 80 年代，主导范式都是符号 AI。这时，亚符号 AI 开始占据主导地位并受到关注，直到最近几年。两种不同方法之间存在长期而未解决的争论。然而，不同人工智能领域之间的这场较量即将结束，因为我们目前正在经历第三次人工智能之夏，其中主导浪潮是
简历.pdf
Understanding the Training and Inference of Reinforcement Learning Tsinghua University, hosted by Prof. Hongning Wang June 2024 On the Cheating of Offline Reinforcement Learning KAUST Rising Stars in AI Symposium Feb 2024 Offline Reinforcement Learning: Current and Future AAAI New Faculty Highlight Program Feb 2023 Breaking the Deadly Triad in Off-Policy Reinforcement Learning Department of Computer Science,弗吉尼亚大学2022年3月，西蒙·弗雷泽大学2022年2月电气与计算机工程系2022年2月，2022年2月，爱丁堡大学，2021年10月，2021年10月，在2021年10月2021年10月2021年脱颖而出的Trake triaia the Triaiad the Hotherd Teams the Hots the Honders Levers Levers the Hands the Triak the Target Network the Target Network the Target Network the Tragent Microsoft the Traber the Hands the Hanters，Hantermind tempers，官僚政策评估数据节2020年2020年，开放数据科学2020年10月O效率评估和控制BONDEDANES AI实验室，上海2020年10月2020年10月编码深度Rl Papers NIPS MLTRAIN研讨会，长滩2019年12月，2019年12月政策参与者 - 批判性批判性算法，
我的江博士博士 div>
C88 @liu，Z.，Dou，G.，@tan，Z.，Tian，Y.，Jiang，M。“通过机器学习，迈向更安全的大型语言模型”，在计算语言学协会年度会议（ACL）的年度会议中，2024年，2024年。C87 Sun，L。和许多其他包括Jiang，M的M。“ Trustllm：大语言模型中的可信赖性”，在国际马克内斯学习会议论文集（ICML），2024年。（位置纸）C86 Qin，R.，Xia，J.，Jia，Z.，Jiang，M.，Abbasi，A.，Zhou，P.，Hu，J.，Shi，Shi，Y。“在设计自动化会议会议论文集（DAC），2024年。C85 @Wu，Z.，Jiang，M.，Shen，C。“指导大型语言模型以识别和忽略无关紧要的条件”，在计算语言学协会（NAACL）的年度会议论文集，2024年。C85 @Wu，Z.，Jiang，M.，Shen，C。“指导大型语言模型以识别和忽略无关紧要的条件”，在计算语言学协会（NAACL）的年度会议论文集，2024年。C84 *Kuang，Y.，Lin，H.，Jiang，M。“ OpenFMNAV：通过视觉语言基础模型进行开放设定的零射击对象导航”，在北美北美分会的北美北美会议的结果（NAACL）（NAACL）（NAACL）的发现中C83 @Wu，Z.，Jiang，M.，Shen，C。“在AAAI人工智能会议论文集（AAAI），2024年，（接受率23.8％= 2342/9862）C82 @yu，M.，@zhang，Z.， @yu，W.，Jiang，M。“比较推理的预培训语言模型”（口头演示）C81 @yu，W.，Jiang，M.，Clark，P.，Sabharwal，A。（海报）“ IFQA：一个用于反事实前提下回答的开放域问题的数据集”，在自然语言处理经验方法会议（EMNLP）中的研究中，2023年。(Selected for Outstanding Paper Award ) C80 @Zhang, Z., Wang, S., @Yu, W., Xu, Y., Iter, D., @Zeng, Q., Liu, Y., Zhu, C., Jiang, M. “Auto-Instruct: Automatic Instruction Generation and Ranking for Black-Box Language Models”, in Findings of Conference on Empirical Methods in Natural Language Processing (EMNLP), 2023.c79 @liu，G.，@inae，E.，@zhao，T.，Xu，J.，Luo，T。，Jiang，M。“以数据为中心的数据以数据为中心的图形学习具有扩散模型”（ACCEPTAS率26.1％= 3222/12343）C78 @liu，G.，@zhao，t.，@inae，E.，Luo，T.（接受率22.1％= 313/1416）C77 @ziems，N.， @yu，W。，@zhang，Z.C76 @liu，G.，Jiang，M。“解释与反事实的AI信息的入侵检测”，在IEEE国际委员会通信会议论文集（InfoCom），2023年。
Michael Anis Mihdi Afnan、Cynthia Rudin、Vincent Conitzer、Julian Savulescu、Abhishek Mishra、Yanhe Liu 和 Masoud Afnan。2021. 人工智能在体外受精中选择胚胎的伦理实施。2021 年 AAAI/ACM 人工智能、伦理和社会会议 (AIES '21) 论文集，2021 年 5 月 19-21 日，美国虚拟活动。ACM，美国纽约州纽约，11 页。https://doi.org/10.1145/3461702.3462589
体外受精 (IVF) 是一种彻底改变不孕症治疗的临床技术。该过程包括在实验室中使卵子受精，然后将产生的胚胎移植到子宫中。自然受精和受孕是一种低效的过程，任何特定胚胎活产的几率都很低。自然和医学治疗的解决方案是创造多个胚胎，以便最终可能有一个胚胎着床。在自然界中，成本是怀孕时间，如果没有胚胎着床，则需要承受无子女的痛苦。在临床实践中，成本还以美元来衡量。为了提高临床实践的效率，人们非常重视选择最有可能着床的胚胎。实验室最近的一项创新是几天内对培养中的胚胎进行延时成像。这产生了数千个视觉数据点，并有望通过基于人工智能 (AI) 的模型增强胚胎选择过程。在本文中，我们概述了 IVF 过程，回顾了目前使用人工智能进行胚胎选择的方法，讨论了在此特定领域使用人工智能的伦理问题，并提出了有关这项新技术的伦理实施建议。最后，我们鼓励人工智能研究人员与生育临床医生合作，以有意义且合乎道德的方式推进这项研究。
量身定制的工业太阳能解决方案
• Abdelaal, O. (2024 年 1 月 12 日)。设计模块化 AI：从机器学习代码架构的理论到实践。中等。 • Abdulla, H.、Sleptchenko, A. 和 Nayfeh, A. (2024)。光伏系统运行和维护：回顾和未来方向。可再生和可持续能源评论，195，114342。https://doi.org/10.1016/j.rser.2024.114342 • Alam, MM、Alshahrani, T.、Khan, F.、Hakami, J.、Shinde, SM 和 Azim, R. (2023)。基于 AI 的光伏可再生能源系统效率分析技术。 Physica Scripta, 98(12), 126006。https://doi.org/10.1088/1402- 4896/ad0bb4 • Nain, P., & Anctil, A. (2024)。报废太阳能光伏废物管理：根据欧盟和美国监管方法进行比较。资源、保护与回收进展，21，200212。https://doi.org/10.1016/j.rcradv.2024.200212 • Patel, D.、Lin, S.、Shah, D.、Jayaraman, S.、Ploennigs, J.、Bhamidipati, A., & Kalagnanam, J. (2023)。AI 模型工厂：扩展 AI 以用于工业 4.0 应用。 AAAI 人工智能会议论文集，37(13)，第 13 篇文章。https://doi.org/10.1609/aaai.v37i13.27081 • Qadir, J. (2023)。聊天时代的工程教育GPT：生成式人工智能在教育领域的前景与陷阱。2023 年 IEEE 全球工程教育会议 (EDUCON)，1-9。https://doi.org/10.1109/EDUCON54358.2023.10125121
- 智信（Jiani Huang）：研究声明
现代机器学习彻底改变了各种领域的问题解决，包括软件工程，科学发现和医学。随着语言，图像和多模式数据的基础模型的进步，最终用户可以完成复杂的任务，否则将需要大量的专业知识和资源。然而，尽管有这些显着的进步，但深度学习仍面临许多局限性。重要的是，它在需要结构，逻辑和计划的问题上挣扎 - 传统符号推理表现出色的地方。在他的2011年经典思维中快速慢，卡尼曼将人类的认知描述为与神经网络类似于神经网络的直观，关联的“系统1”与逻辑上的“系统2”之间的相互作用。将这两个范式的互补优势结合到统一系统中是人工智能的基本挑战。Neurosymbolic编程是一个有希望的新兴范式，旨在应对这一挑战。我的研究重点是神经符号编程的基础，即跨越正式的语义，语言设计和学习算法，以及其在涉及自然语言推理，计算机视觉和多模式整合的现实世界中的应用。为此，我追求了两个互补的研究方向：扇贝，通用神经成像节目的框架，发表在（Neurips 2021），（PLDI 2023），（PLDI 2023），（AAAI 2024）中，以及在基础中的基础和趋势（FNT 2024）的基础和趋势（FNT 2024）中的邀请专着和趋势;以及一系列逐渐高级的应用，以增强推理的复杂性并整合了越来越多样化的模式，这些方式发表在（ICML 2020），（ACL 2023）和（TR 2024）中。
汤姆·米切尔 - CMU计算机科学学院
•从多项选择问题中自动生成和标记知识组件S.（获得了会议最佳数据集奖）•在生成AI，W。Balu，V。Cerf等人时代保护科学完整性，《国家科学院学院论文集》，社论，第1卷。121，否。22，5月，2024年。•学习比较提示：结合学生日志中的见解和大型语言模型，T。Zhang，H。Kumar，R。Schmucker，A。Azaria，A。Azaria，T。Mitchell，T。Mitchell，AAAI教育工作室，20024年2月，2024年，•荷叶边和莱利：迈向自动吸引会话辅导系统，R。Schmucker，M。Xia，A。Azaria，T。Mitchell，T。Mitchell，Neurips，Neurips 2023 2023年生动AI的教育研讨会（GAIED），1223年12月，2023年，•阅读并收获回报：在说明手册的帮助下学习atari，Y。Wu，Y。Fan，A。Azaria，Y。Li，T。Mitchell，第37届神经信息处理系统会议（Neurips 2023），第37页，第37页，967--976，2023年12月。•LLM的内部状态知道何时说谎，A。Azaria，T。Mitchell，计算语言学协会的发现：EMNLP 2023，pp。967--976，2023年12月。•学习提供有用的提示：援助行动评估和政策改进，R。Schmucker，N。Pachapurkar，S。Bala，T。Mitchell，T。Mitchell，第18届欧洲技术增强学习会议，EC-TEL 2023，2023年9月。