XiaoMi-AI文件搜索系统
World File Search SystemContext
Fermatean Fuzzy Topsis方法及其在智能城市上下文中基于商业智能的策略中的应用
随着智能城市的扩展，商业智能（BI）的使用已成为资源优化，提高效率并提高公民生活质量的重要工具。BI使公司通过分析大量城市数据来做出更好的战略决策，从而帮助它们在动态的智能城市环境中保持竞争力。这项研究利用内容分析和Fermatean Fuzzy Topsis（FF- TOPSIS）方法在智能城市的背景下根据商业智能进行了基于商业智能的策略。最初，通过内容分析确定了相关标准，随后，根据这些标准制定并进行了五种策略。结果表明，“基于IOT的智能网络的开发（S2）”排名最高，因为它在优化资源管理和增强城市服务绩效方面发挥了重要作用，从而为智能城市的发展做出了巨大贡献。“工艺自动化和机器人系统的部署（S5）”排名第二，因为它提高了效率并减少了人类错误。 “无缝访问数据和服务的云平台集成（S3）也被证明非常重要，排名第三，因为它提供了对数据和服务的无缝访问。”人工智能部署用于预测分析和过程优化（S4）“排名第四，对于预测分析和过程优化至关重要，而“智能决策的大数据分析（S1）” - 尽管很重要，但排名第五，排名第五。城市经理应优先考虑物联网网络的发展，以充分利用其资源管理和效率提高的潜力。之后，对过程自动化和AI集成的关注可以显着提高公民的生活质量并降低城市成本。
cafgd：通过梯度下降自动填充上下文
最近，大型语言模型（LLMS）在传统的自然语言处理以外的领域取得了显着的成功，并且越来越有兴趣将LLMS应用于诸如代码生成，旅行计划和机器人控制之类的更一般性，但是这些模型仍然需要提高针对性的性能和特定领域或任务的概括能力。为了使Mod-Els更具体地了解各种任务，已提出提示学习将下游预测任务转换为语言模型任务。在提示学习方法中，大多数利用基于梯度的触发令牌搜索方法来自动上下文填充来完成任务。但是，这些方法并不总是提高LLM在完成任务时的准确性，尤其是在满足多种任务类型和不确定的输入句子时。触发令牌的选择通常缺乏特异性，从而导致模型性能。为了增强模型稳定性并生成更具针对性的触发令牌，我们通过平均梯度下降提出了上下文自动填充方法。与其他方法不同，我们的方法全面考虑了所有触发令牌与上下文之间的关系。提出的方法通过使用模型在所有触发令牌上的平均梯度选择一个令牌来选择一个令牌，从而选择一个令牌，从而选择一个令牌，从而选择一个令牌，从而选择一个令牌，从而选择了一个令牌，从而选择了一个令牌，从而选择了一个令牌，从而选择一个令牌来选择一个令牌，从而选择一个令牌，从而选择一个令牌，从而最大程度地利用模板的可能性函数来选择一个令牌。我们分别在SST-2和SICE-E数据集上进行了实验，分别进行了情感分析（SA）和自然语言推断（NLI）任务。实验结果表明，具有平均触发令牌梯度的上下文自动填充方法可产生更好的性能。
灵活且针对具体情境的 AI 可解释性
摘要 近年来人们对人工智能 (AI) 的热情主要归功于深度学习的进步。深度学习方法非常准确，但也不太透明，这限制了它们在安全关键型应用中的潜在应用。为了获得信任和问责，机器学习算法的设计者和操作者必须能够向用户、监管者和公民解释算法的内部工作原理、结果以及失败的原因。本文的独创性在于结合可解释性的技术、法律和经济方面，开发一个框架来定义给定环境下可解释性的“正确”水平。我们提出了三个逻辑步骤：首先，定义主要的背景因素，例如解释的受众是谁、操作背景、系统可能造成的危害程度以及法律/监管框架。此步骤将有助于描述解释的操作和法律需求，以及相应的社会效益。第二步，检查可用的技术工具，包括事后方法（输入扰动、显著性图……）和混合 AI 方法。第三步，根据前两个步骤，选择正确的全局和局部解释输出级别，同时考虑所涉及的成本。我们确定了七种成本，并强调只有当总社会效益超过成本时，解释才具有社会意义。
议会背景下的人工智能报告 1
摘要。该报告绘制并分析了全球议会背景下人工智能的当前使用情况，以解决人工智能和法律学术中理论化不足的领域。根据既定的法律和宪法理论原则审查当前用例。将人工智能应用纳入议会程序可能会破坏民主和法治背后的法律概念，并侵犯关键的宪法原则。分析表明，尽管目前大多数人工智能的使用纯粹是辅助性的，但议会需要迅速采取行动，以应对宪法原则的潜在风险。他们还应认真对待法律理论约束，以便通过采用能够整合法律理论基础概念的技术框架，实现未来更强大的人工智能实施。混合 AI 等方法（而非规则即代码 (RaC) 或法律即代码 (LaC) 等方法）可以为法律体系数字化提供更细致入微且理论上更合理的基础。
使用基础模型
我们解决了场景中检测出偏置（OOC）对象的问题。给定图像，我们的目的是确定图像是否具有在通常的上下文中不存在的对象并定位此类OOC对象。现有的OOC检测方法取决于根据手动构造的特征定义共同的上下文，例如对象的同时存在，对象之间的空间关系以及对象的形状和大小，然后学习给定数据集的上下文。但上下文通常是从非常普遍到非常令人惊讶的不等式的。，从特定数据集中获得的学习上下文可能不会被赋予一般性，因为数据集可能并不能真正代表上下文中事物的人类否定。是由大型语言模型的成功和更普遍的基础模型（FMS）在常识推理中的动机所激发的，我们研究了FM捕获上下文概念的FM的能力。我们发现，诸如GPT-4之类的预训练的FM提供了更细微的OOC概念，并且当与其他预训练的FMS结合以进行字幕生成（例如BLIP-2）（例如BLIP-2），并与sta-ble扩散2.0进行图像。我们的方法不需要任何数据集特定培训。我们在两个OOC对象检测数据集上演示了我们的AP的效率，在MIT-OOC数据集上实现了90.8％的零弹药精度，而IJCAI22-Coco-OC-OOC数据集则在IJCAI222222222的数据集上实现了87.26％。
Ikram Chraibi Kaadoud、Lina Fahed、Philippe Lenca。可解释的人工智能：知识发现、知识表示和表示学习交叉点的叙述性回顾。MRC 2021：第十二届国际情境建模与推理研讨会，2021 年 8 月，加拿大蒙特利尔（虚拟）。第 28-40 页。 hal-03343687
可解释人工智能 (XAI) 最近已成为一个非常活跃的领域，这主要是由于神经网络等黑箱模型的广泛发展。最新技术定义了最近的 XAI 目标，并提出了具体方法。在 XAI 和其他领域之间可以找到隐式链接，尤其是与知识和神经网络相关的领域。我们在此旨在强调这些隐式链接。我们对两个领域的研究工作进行了叙述性回顾：（i）知识领域，重点关注知识发现和表示，以及（ii）表示学习。我们讨论了这些领域与 XAI 之间的相似性和连接点。我们得出结论，为了使黑匣子更加透明，XAI 方法应该受到更多启发，并利用知识和表示学习领域的过去和最近的工作。通过本文，我们为多学科研究人员和人工智能专家以及人工智能知识渊博的用户提供了 XAI 领域的切入点。
基于泰国天主教会背景的天主教积极青年发展模式
摘要：2007 年，泰国天主教青年理事会改组为天主教平信徒青年事务委员会，与泰国所有天主教青年组织合作，扩大天主教青年发展工作。尽管自 2015 年以来，该委员会宣布了 10 项主要青年发展计划，但仍有机会将广泛采用的积极青年发展 (PYD) 方法纳入其项目和计划中。同样，对天主教青年发展的研究揭示了 PYD 在具体应用中的差距。为了解决这些实践和研究差距，本研究旨在开发适合泰国天主教青年的 PYD 模型。采用了多方法定性方法，包括文献分析和专家访谈。对 72 份关于青年的教皇文件的文献分析提供了天主教积极青年发展 (CPYD) 的初步模型。为了确定和具体化初步模型，对泰国天主教主教会议主持下运作的天主教平信徒青年事务委员会的五名管理人员和从业人员进行了专家访谈。根据专家反馈，我们得到了修正后的CPYD模型，该模型在原有PYD模型的基础上，契合了教皇关于青年的教导，也贴合了泰国天主教青年发展的背景。
哲学中的道德与科学：在教育背景下理解科学的本质
本研究旨在探讨哲学框架内伦理与科学之间的关键关系，并特别强调在教育背景下理解科学的本质。该研究解决了有关道德如何影响和塑造科学知识在教育过程中的作用的基本问题。从哲学的角度研究了伦理和科学的概念，本研究对其相互联系和哲学意义进行了深入分析。伦理学在科学方面的重要性，尤其是在教育中，是确定为指导科学知识发展和利用的道德基础的主要目标。在这种情况下，研究人员采用了文献综述方法。该研究提出了将科学的本质理解为学生性格发展和对世界的理解的组成部分的努力。这些努力包括对科学知识中嵌入的伦理价值观进行批判性思考，并强调伦理学与形成世界观的融合。采用哲学方法，这项研究描述了伦理与科学之间关系的概念和实际含义，为整体思维提供了基础。这项研究的结论表明，将道德作为知识传播过程中的核心要素的教育方法和策略的发展。这项研究有望为增强子孙后代教育中的道德与科学之间的平衡做出积极贡献，促进了智力智力以及伦理和社会完整性。
印度的营养 印度的营养背景
印度人口的 70% 为妇女和儿童。这一群体特别容易患上微量营养素缺乏症。印度 15-49 岁女性中 53% 患有贫血，男性中 22.7% 患有贫血。6-59 个月的儿童中约有 40.5% 患有贫血。贫血已成为印度妇女、青春期女孩和幼儿中严重的公共卫生问题。贫血不仅会增加患病率和对身体健康产生负面影响（虚弱和/或疲劳），还会导致智力和心理运动发育迟缓，并增加产妇死亡风险。营养不良导致缺铁，是 60% 以上贫血病例的主要潜在因素（Kasselbaum，2016 年）。2017 年，超过一半的育龄妇女和 5 岁以下儿童患有贫血（IIPS，2017 年）。如图 1.1 所示，根据《2016 年全球疾病负担》（Kasselbaum，2016 年）的计算，印度估计有 4.47 亿贫血患者，占全球疾病负担的近四分之一。
