XiaoMi-AI文件搜索系统
World File Search SystemDesiderata
使用可解释的人工智能提高基于人工智能的车载入侵检测系统的可信度
摘要 车载入侵检测系统 (IV-IDS) 是用于检测针对电动或自动驾驶汽车的网络攻击的保护机制之一，其中基于异常的 IDS 解决方案在检测攻击尤其是零日攻击方面具有更好的潜力。通常，由于难以区分正常数据和攻击数据，IV-IDS 会产生误报（错误地将正常数据检测为攻击）。它可能导致不良情况，例如系统松懈加剧，或在生成警报后事件处理中的不确定性。借助复杂的人工智能 (AI) 模型，IDS 提高了检测到攻击的机会。然而，使用这种模型是以降低可解释性为代价的，可解释性这一特性在确定其他各种有价值的需求时被认为很重要，例如模型的信任、因果关系和稳健性。由于基于人工智能的复杂 IV-IDS 缺乏可解释性，人类很难信任这样的系统，更不用说知道当 IDS 标记攻击时应该采取什么行动。通过使用可解释人工智能 (XAI) 领域的工具，本论文旨在探索可以根据模型预测产生什么样的解释，以进一步提高基于人工智能的 IV-IDS 的可信度。通过比较调查，在自定义、伪全局、基于可视化的解释（“VisExp”）和基于规则的解释上评估了与可信度和可解释性相关的方面。结果表明，VisExp 提高了可信度，并增强了基于人工智能的 IV-IDS 的可解释性。关键词：入侵检测系统、车载入侵检测系统、机器学习、深度学习、可解释人工智能、可信度。
希格斯机制和超导性：形式类比的案例研究
在实验性发现Higgs玻色子之后，物理学家通过吸引了用凝聚态物理学的类比向公众解释了这一发现。这些类比的历史根源是与超导性模型的类比，该模型在1960年代初将自发对称性破裂（SSB）引入粒子物理学中。分别对电子（EW）相互作用的HIGGS模型以及Ginsburg-landau（GL）和Bardeen-Cooper-Schrie qarie（BCS）模型分别进行了历史和哲学分析。我们分析的结论是，两组类比纯粹是正式的，因为它们伴随着大量的物理脱离。在特定的类似物中，在Higgs模型中，形式类似物没有绘制超导性，对时间，因果或模态结构的SSB的时间，因果或模态结构。这些实质性的物理分离意味着与超导模型的类比不能为EW SSB的物理解释提供基础。但是，SSB在超导性和HIGGS模型中的物理解释之间的对比确实有助于一些基本问题。与SSB不同的超级限度不同，标准模型的Higgs扇区中的SSB（不添加新物理学）既不是时间或因果过程。我们讨论了对希格斯模型中质量增益的“饮食”隐喻的含义。此外，现象学GL模型与动力学BCS模型之间的区别并未延续到EW模型，这表明了EW SSB的所谓“动力学”模型（例如，最小技术）。最后，Higgs模型的发展是科学哲学家的一个启发性案例研究，因为它说明了纯粹的形式类比在物理学中扮演富有成果的启发角色。
人工智能的替代责任
当算法伤害某人时（比如歧视她、泄露她的个人数据或利用内幕信息购买她的股票），谁应该赔偿？如果这种伤害是犯罪行为，谁应该受到惩罚？在一般情况下，当 A 伤害 B 时，责任分析的第一步取决于 A 是什么。如果 A 是自然现象，如台风或泥石流，B 赔偿，没有人受到惩罚。如果 A 是人，那么 A 可能要承担损害赔偿和制裁责任。算法的问题在于两种范式都不适合。算法是可训练的人工制品，具有“关闭”开关，而不是自然现象。从法律或形而上学的角度来看，它们也不是人。解决这一困境的一个有吸引力的方法是从使标准的 A-危害-B 场景复杂化开始。它会认识到第三方 C 通常潜伏在算法造成伤害时附近，并且第三方是人（法人或自然人）。通过让第三方为其算法的行为承担替代责任，法律可以促进对开发或部署算法的人的有效激励，并确保受害者获得公正的结果。挑战在于找到一个能够胜任这项任务的替代责任模型。本文提供了一组标准，任何算法危害的替代责任模型都应满足这些标准。这些标准涵盖了一系列的要求：从确保良好的结果，到最大限度地提高实施的现实前景，再到推进可解释性等编程价值。虽然数量相对较少，但标准要求很高。大多数现有的替代责任模型都不符合这些要求。尽管如此，本文还是以乐观的语气结束。下面考虑的模型的缺点为发现更有希望的替代方案提供了重要的教训。