XiaoMi-AI文件搜索系统
World File Search SystemExplain
可解释的基于神经成像的痴呆诊断和预后的人工智能
*用于制备本文的数据是从阿尔茨海默氏病神经成像计划（ADNI）数据库（adni.loni.usc.edu）获得的。因此，ADNI中的调查人员为ADNI和/或提供数据的设计和实施做出了贡献，但没有参与本报告的分析或撰写。可以在以下网址找到ADNI调查人员的完整列表：
解释器：瑞士为无人驾驶运输时代准备好
，但该报告还指出了一些可能的缺点。“自动车辆将减少，尽管并非完全消除，但对重型货车，公共汽车和出租车的驾驶员的需求”写道。以及促进汽车驾驶的期望效果可能会通过减少道路上的车辆数量对汽车销售产生负面影响。
可解释的基于神经成像的痴呆诊断和预后的人工智能
*用于制备本文的数据是从阿尔茨海默氏病神经成像计划（ADNI）数据库（adni.loni.usc.edu）获得的。因此，ADNI中的调查人员为ADNI和/或提供数据的设计和实施做出了贡献，但没有参与本报告的分析或撰写。可以在以下网址找到ADNI调查人员的完整列表：
从头运动和面部表达动力学
我们探讨了多模式行为线索的疗效，以解释人性和访谈特异性特征。我们利用名为Kinemes的基本头部动作单元，原子面部运动称为动作单元和语音特征来估计这些以人为中心的特征。经验结果证实，运动和动作单元可以发现多种特征的行为，同时还可以在支持谓词方面进行解释。对于融合提示，我们探讨了决策和特征级融合，以及基于添加剂的融合策略，该策略量化了三种方式对性状预测的相对重要性。在麻省理工学院访谈和第一印象候选筛查（FICS）数据集中检查各种长期长期记忆（LSTM）架构，用于分类和回归数据集，我们注意到：（1）多模式的方法优于非模态反应，以达到0.98的最高PCC，以获得激动人心的特质，以实现MIT和0.57的高级特征，以实现fick和0.57。 （2）通过单峰和多模式方法可以实现有效的性状预测和合理的解释，并且（3）遵循薄片的方法，即使是从两秒钟的行为snippets中也实现了有效的性状预测。我们的提示代码可在以下网址提供：https：//github.com/deepsurbhi8/explainable_human_traits_预测。
可解释的事后投资组合管理财务政策深入强化学习代理
金融投资组合管理投资政策通过现代投资组合理论（如Markowitz模型）进行定量计算的投资政策依赖于一组假设，这些假设在高波动性市场（例如技术部门或加密货币）中不受数据支持。因此，定量研究人员正在寻找解决此问题的替代模型。具体而言，投资组合管理（PM）是一个问题，最近通过深度强化学习（DRL）方法完全解决了问题。在特定的DRL算法中，通过估计代理在模拟器中任何财务状态执行的每个动作的预期奖励的分布，也称为体育馆。然而，这些方法依靠深神经网络模型来表示这种分布，尽管它们是通用近似模型，能够随着时间的推移代表此分布，但它们无法解释其行为，但由一组不可解释的参数给出。至关重要的是，金融投资者的政策要求可以解释，以评估他们是否遵循合理的行为，因此DRL代理不适合遵守特定政策或解释其行为。在这项工作中，在使DRL可以解释的动机的驱动下，我们开发了一种可解释的DRL（XDRL）方法，用于PM，将近端政策优化（PPO）DRL算法整合到模型不可思议的可解释的机器学习技术中，以提高预测时间的透明度，以增强透明度的特征。我们提出了DRL代理商的第一个可解释的事后PM财务政策。通过执行我们的方法，我们可以在预测时间解释代理商评估他们是否遵循投资政策的必要条件或评估遵循代理商建议的风险。我们通过成功识别影响投资决策的关键特征来从经验上说明这一点，从而证明了在预测时间中解释代理行动的能力。
解释霍克尔州长扩大帝国儿童信用的提议
•删除收入水平的阶段，确保所有具有低收入的家庭都可以获取全额信贷额，•将4岁以下儿童的信用额提高到1,000美元，确认与抚养幼儿相关的更高成本，•将4至16岁儿童的信用额提高到500美元，比前330美元的信用额更好。目前，这一扩展将在两年内推出，而淘汰和幼儿在2025纳税年度中的增加，而较高的年龄较大的孩子则推迟到第二年。具有最大的影响，决策者应考虑修改该建议，以便在第一年进行全面实施。2这些变化是基于近年来帝国州儿童信用扩大到包括四岁以下儿童的进展的基础。3还有更多的工作要做 - 最著名的是将信用额和收入水平与通货膨胀联系在一起 - 但是这项大胆的提议是确保确保所有纽约所有儿童和家庭都需要蓬勃发展的支持。州长Hochul的提议还使纽约州更接近其目标，即在2031年底将其降低到一半的目标。4减少儿童贫困咨询委员会的最新报告详细介绍了一项计划，该计划通过对该州的公共福利计划，住房支持和可退还的家庭税收抵免来实现这一减少目标。6次税收和经济政策研究所的估计几乎显示了所有5根据哥伦比亚大学的贫困和社会政策中心，这项扩大帝国儿童信用的提议在充分实施后可能会使儿童贫困减少8.2％，并为全州范围内的160万个家庭提供缓解。
GHC 本地化策略讲解
全球卫生集群将本地化定义为：“一个协作且动态的过程，旨在使地方和国家参与者（L/NAs）——包括地方公共机构——公平且有意义地参与卫生集群，实现符合人道主义原则的当地主导的卫生响应。”
一级方程式竞赛策略的可解释的强化学习 *
在一级方程式赛中，团队竞争开发自己的汽车，并在每场比赛中达到最高的完成位置。但是，在比赛中，球队无法更改汽车，因此他们必须通过比赛策略改善汽车的完成位置，即优化他们选择哪种轮胎化合物可以涂在汽车上以及何时这样做。在这项工作中，我们引入了强化学习模型RSRL（种族策略增强学习），以控制模拟中的种族策略，为基于硬编码和蒙特卡洛的种族策略提供了更快的替代品。控制汽车的速度等于P5.5的预期完成位置（P1代表第一名，P20是最后的位置），RSRL在我们的测试竞赛中达到了P5.33的平均饰面位置，即2023 Bahrain Grand Prix，胜过P5.63的最佳基线。然后，我们在一项概括性研究中证明了如何通过训练优先考虑一个轨道或多个轨道的性能。此外，我们以特征重要性，基于决策的替代模型以及决策树的反事实来补充模型预测，以改善用户对模型的信任。最后，我们提供了插图，这些插图体现了我们在现实情况下的方法，在模拟和现实之间取得了相似之处。
可解释的人工智能（XAI）用于气候危害...
摘要人工智能（AI）纳入地球科学的整合已在空间建模和气候引起的危害评估的变革时代迎来了。这项研究探讨了可解释的AI（XAI）的应用，以解决传统的“ Black-Box” AI模型的固有局限性，从而强调了高风险领域（例如自然危害管理）中的透明度和可解释性。通过分析水文学危害（包括干旱，洪水和滑坡），这项工作突出了XAI提高预测准确性并促进可行见解的潜力越来越大。该研究综合了XAI方法论的进步，例如注意力模型，Shapley添加说明（SHAP）和广义添加剂模型（GAM）及其在空间危害预测和缓解策略中的应用。此外，该研究确定了数据质量，模型可传递性和实时解释性的挑战，这为将来的研究提出了途径，以增强XAI在决策框架中的效用。这一综合概述有助于在XAI采用XAI方面的弥合差距，在快速的环境变化时代，可以实现强大，透明和道德的方法来进行气候危害评估。