XiaoMi-AI文件搜索系统
World File Search SystemCial
用于时间相关可解释人工智能的时间 2 型模糊系统
摘要 —可解释人工智能 (XAI) 是一种提供透明模型和决策的范例，非技术受众也易于理解、分析和增强这些模型和决策。基于模糊逻辑系统 (FLS) 的 XAI 可以提供可解释的框架，同时还可以对现实环境中存在的不确定性进行建模，这使其适用于需要可解释性的应用。然而，大多数现实生活中的过程不仅仅是以高度的不确定性为特征；它们本质上也与时间有关，即过程随时间而变化。为了解释与过程相关的时间成分，在本文中，我们为时间相关的 XAI (TXAI) 系统提出了一种基于时间类型 2 FLS 的新型方法，该方法可以使用（测量的）发生频率来解释测量在时间域中发生的可能性。在时间 2 型模糊集 (TT2FSs) 中，开发了一个四维 (4D) 时间相关成员函数，其中关系用于构建论域元素与其出现频率之间的相互关系。使用现实生活中的智能环境数据集通过分步数值示例和实证研究来说明所提出的具有 TT2FSs 的 TXAI 系统，以解决时间相关分类问题（根据一天中特定时间的传感器读数预测房间是否有人）。TXAI 系统性能还与具有不同可解释性水平的其他最先进分类方法进行了比较。 TXAI 系统表现出更好的分类能力，使用 10 倍测试数据集，平均召回率为 95.40%，而标准 XAI 系统（基于非时间一般 2 型 (GT2) 模糊集）的平均召回率为 87.04%。TXAI 的表现也明显优于大多数不可解释的 AI 系统，平均召回率提高了 3.95% 到 19.04%。时间卷积网络 (TCN) 略优于 TXAI（平均召回率提高了 1.98%），尽管计算复杂度较大。此外，TXAI 还可以使用嵌入在 TXAI 模型中的出现频率值概述最可能的时间相关轨迹；即，给定确定时间间隔内的规则，随后时间间隔内最可能的下一个规则是什么。在这方面，提出的 TXAI 系统对于描述现实生活中的时间相关过程（例如行为或生物过程）的演变具有深远的影响。
Regent V2：人工智能中双流处理的新颖架构
使用这种三层体系结构，摄政量平衡了计算效率和齿状成熟。内存类型和处理流的分离，再加上集成层的协调函数，创建了一个系统，可以反映人类认知体系结构，同时利用传统LLM的优势。这种方法不仅提高了我们对人工意识的理解，而且还为开发复杂的自主EMS提供了一个实用的框架，可以无缝整合快速，直觉的响应和谨慎的，谨慎的，谨慎的，审议的推理。
无聊是人工智能走向奇点的指标吗？假设引发思考
最迟随着天网 [1] 的虚构智能的出现，人工智能 (AI) 奇点问题得到了更广泛的关注。从冯·诺依曼的评论开始，由 Ulman [2] 转述（“一次谈话集中在技术的不断加速进步和人类生活方式的变化上，这给人一种接近人类历史上某些基本奇点的感觉，超出这个奇点，我们所知的人类事务就无法继续下去。”）和 Vinge [3] 的假设，技术进步的演变和加速引发了机器何时会比人类更智能的问题。根据 [3] 等人的说法，大型计算机网络可能“醒来后成为超人智能的实体”。关于达到人工智能奇点的观点多种多样。[4] 中对这些观点进行了回顾。由于普遍接受的、详细的智力定义仍然存在争议，从技术定义的角度来看，奇点已经很模糊——认知和情感是额外的问题。尽管在心理学中，无聊被认为是人性和人类智力的重要组成部分，但据我所知，在关于智力的讨论中，人类心理属性的一个特征并没有被考虑在内：无聊。在心理学中，无聊被认为是一种重要的心理状态，通常介于完全意识和/或精神紧张的工作和/或发现的时刻等状态之间。尽管在一些出版物中提到无聊，例如[8]，以提出更好的学习结果，但它并不被认为是人工智能系统在处理其设计的分配任务时可能陷入的状态。因此，假设一个关键特征
文章 全球人工智能对教育影响的研究趋势分析
摘要：当今世界，人工智能与人类智能共存，任何领域都无法摆脱人工智能的影响。当前，讨论教育不能不提及人工智能，人工智能对教育的目的、内容、方法、评价体系等各个领域都产生了全方位的影响。本研究旨在通过研究人工智能的当前影响和预测未来影响来探索教育的未来方向。本研究还通过网络分析、主题建模和全球教育人工智能研究趋势，应用潜在狄利克雷分配算法，研究了各国的研究趋势和合作状况。在过去的 20 年里，关于教育人工智能的论文数量稳步增加，自 2015 年以来更是急剧上升。研究大致可分为八个主题，包括“教学内容的变化”。利用线性回归模型，识别出3个热点话题、2个冷门话题以及每个研究主题的趋势变化。研究发现，AIED研究应在主题上更加多元化和深入，将AI算法和技术直接应用于教育领域，应进一步推广。本研究为探索未来AIED研究方向提供了参考。
文章使用人工神经网络估计机器人的运动学和工作空间
摘要：目前，在特定而复杂的工业操作中，机器人必须满足某些要求和标准，如高运动学或动态性能、工作空间的特定尺寸或机器人移动元件尺寸的限制。为了满足这些标准，必须对机器人进行适当的设计，这需要多年的实践以及人类设计师的适当知识和经验。为了协助人类设计师进行机器人设计，已经开发了几种方法（包括优化方法）。本文解决的科学问题是开发一种人工智能方法，使用前馈神经网络来估计机器人的工作空间大小和运动学。该方法应用于由基座平台、移动平台和六个运动旋转万向球面开环组成的并联机器人。数值结果表明，通过适当的训练和拓扑结构，前馈神经网络能够根据末端执行器的姿态正确估计工作空间体积值和广义坐标值。
文章 可穿戴设备、智能手机和可解释人工智能在抗击 COVID-19 中的应用
摘要：心率变异性 (HRV) 和每分钟心跳次数 (BPM) 等生理指标可以作为呼吸道感染的有力健康指标。HRV 和 BPM 可以通过广泛使用的腕戴式生物识别可穿戴设备和智能手机获取。这些指标的连续异常变化可能是 COVID-19 等呼吸道感染的早期迹象。因此，可穿戴设备和智能手机应通过其他上下文数据和人工智能 (AI) 技术支持的早期检测在抗击 COVID-19 中发挥重要作用。在本文中，我们研究了从可穿戴设备和智能手机收集的心脏测量值（即 HRV 和 BPM）在展示 COVID-19 炎症反应早期发作中的作用。AI 框架由两个模块组成：一个可解释的预测模型，用于对 HRV 测量状态进行分类（正常或受炎症影响），以及一个循环神经网络 (RNN)，用于分析用户的日常状态（即移动应用程序中的文本日志）。两种分类决策都整合在一起，以生成最终决策，即“可能感染 COVID-19”或“没有明显的感染迹象”。我们使用了一个公开可用的数据集，其中包括 186 名患者，拥有超过 3200 个 HRV 读数和大量用户文本日志。该方法的首次评估显示，在使用局部可解释的模型不可知解释 (LIME) 的模型解释支持下，在症状出现前两天预测感染的准确率为 83.34 ± 1.68%，准确率、召回率和 F1 分数分别为 0.91、0.88、0.89。
《人工智能法案》下法医图像分析的合规挑战
摘要 — 在法医图像分析的许多应用中，如今最先进的结果都是通过机器学习方法实现的。然而，对其可靠性和不透明性的担忧引发了人们对此类方法是否可以用于刑事调查的疑问。到目前为止，这个法律合规性问题几乎没有被讨论过，这也是因为对机器学习方法的法律规定没有明确定义。为此，欧盟委员会最近提出了人工智能 (AI) 法案，这是一个值得信赖的人工智能使用的监管框架。根据人工智能法案草案，允许在执法中使用高风险人工智能系统，但必须遵守强制性要求。在本文中，我们回顾了为什么将机器学习在法医图像分析中的使用归类为高风险。然后，我们总结了高风险人工智能系统的强制性要求，并根据两个法医应用（车牌识别和深度伪造检测）讨论了这些要求。本文的目的是提高人们对即将到来的法律要求的认识，并指出未来研究的途径。索引术语——法医图像分析、人工智能法案
生成人工智能时代大型语言模型基准的不足
摘要 — 大型语言模型 (LLM) 的迅速普及和新兴能力激发了公众对评估和比较不同 LLM 的好奇心，导致许多研究人员提出了自己的 LLM 基准。注意到这些基准中存在初步不足，我们着手开展一项研究，通过人员、流程和技术的视角，在基准功能和完整性的支柱下，使用我们新颖的统一评估框架，对 23 个最先进的 LLM 基准进行批判性评估。我们的研究发现了重大的局限性，包括偏见、衡量真实推理的困难、适应性、实施不一致、工程复杂性、评估者多样性以及在一次全面评估中忽视文化和意识形态规范。我们的讨论强调了在人工智能 (AI) 进步的背景下，迫切需要标准化方法、监管确定性和道德准则，包括倡导从静态基准演变为动态行为分析，以准确捕捉 LLM 的复杂行为和潜在风险。我们的研究强调了法学硕士评估方法范式转变的必要性，强调了合作努力对于制定普遍接受的基准和增强人工智能系统融入社会的重要性。
使用人工智能对变速驱动器的冷却进行状态监测
人工智能 (AI) 已成功应用于寻找大量领域问题的解决方案。机器学习的核心是开发能够分析或预测给定系统行为的统计模型。本研究旨在利用人工智能技术监测变速驱动器冷却系统的健康状况。为此，从不同操作条件下的物理测试设置收集测量值，然后使用这些数据样本训练人工神经网络。本论文详细介绍了这种状态监测的两种主要方法，开发模型来预测系统未来行为并直接得出健康指标的值。本论文还旨在详细介绍驱动器及其冷却系统的建模，并提供人工神经网络的理论背景。
理解人们如何推理人工智能的审美评价
摘要 人工智能 (AI) 算法甚至在美学等创造性领域也取得了令人瞩目的成就。然而，机器学习 (ML) 社区之外的人是否能够充分解释或同意他们的结果，特别是在这种高度主观的领域，受到质疑。在本文中，我们试图了解不同的用户社区如何在主观领域推理 AI 算法结果。我们设计了 AI Mirror，这是一个研究探测器，可以告诉用户算法预测的照片美学分数。我们对该系统进行了用户研究，共有来自三个不同群体的 18 名参与者：AI/ML 专家、领域专家（摄影师）和普通公众成员。他们通过出声思考、调查和访谈等方式执行了拍照和推理 AI Mirror 预测算法的任务。结果表明：（1）用户使用自己特定群体的专业知识来理解 AI；（2）用户采用各种策略来缩小他们的判断与 AI 预测之间的差距；（3）用户的想法和 AI 预测之间的差异与用户对 AI 的可解释性和合理性的感知呈负相关。我们还讨论了主观领域中 AI 注入系统的设计考虑因素。