XiaoMi-AI文件搜索系统
World File Search SystemExplanatory
解释性说明 本命令根据 2000 年《水资源管理法》第 45 (1) 条制定。本命令的目的是修订《水资源共享计划》
（b）修改供水工程审批将提高获批供水工程在巴旺-达令管理区 A 或巴旺-达令管理区 D（根据《巴旺-达令谷 2017 年洪泛区管理计划》第 5 条设立）或下纳莫伊管理区 AD 或下纳莫伊管理区 D（根据《下纳莫伊谷 2020 年洪泛区管理计划》第 5 条设立）内取水的能力，以及
Coffs Harbor地方环境计划2013（...
第5条在Gwydir Valley洪泛区中建立了管理区，以及第8部分中的规定建立了针对每个管理区特定的洪水工作批准的规则和评估标准。洪水工作批准的规则和评估标准有助于协调Gwydir Valley洪泛区的洪水工作发展。描述管理区域的方法基于液压，生态，文化和现有计划安排标准，并在技术手册和背景文档中进行了描述。管理区的地图和第8部分中的规定有助于实现本计划第10条中的所有目标。
FY23 NDAA 联合解释性声明会议报告
以下内容为詹姆斯·M·英霍夫 2023 财政年度国防授权法案的说明材料。该法案第 5 节规定，本说明声明在本立法的实施中应具有与协商委员会联合说明声明相同的效力。在此联合说明声明中，众议院通过的 2023 财政年度国防授权法案版本 H.R.7900 的规定通常被称为“众议院法案”。参议院修正案第5499 号（经修改后）的规定，即 H.R.7900，通常被称为“参议院修正案”。众议院和参议院谈判达成的协议的最终形式被称为“协议”。
FY23 NDAA 联合解释性声明会议报告
以下内容为詹姆斯·M·英霍夫 2023 财政年度国防授权法案的说明材料。该法案第 5 节规定，本说明声明在本立法的实施中应具有与协商委员会联合说明声明相同的效力。在此联合说明声明中，众议院通过的 2023 财政年度国防授权法案版本 H.R.7900 的规定通常被称为“众议院法案”。参议院修正案第5499 号（经修改）的规定，即 H.R.7900，通常被称为“参议院修正案”。众议院和参议院谈判达成的协议的最终形式被称为“协议”。
解释性机器学习，以证明对人机协作的合理信任：文件删除建议实验
Error 500 (Server Error)!!1500.That’s an error.There was an error. Please try again later.That’s all we know.
用于工业质量控制的交互式解释 AI 系统
基于机器学习的图像分类算法，例如深度神经网络方法，将越来越多地应用于工业质量控制等关键环境，其中决策的透明度和可理解性至关重要。因此，我们的目标是将缺陷检测任务扩展为一种交互式的人机协同方法，使我们能够整合丰富的背景知识和复杂关系的推理，超越传统的纯数据驱动方法。我们提出了一种用于工业质量控制环境中分类的交互式支持系统的方法，该系统结合了（可解释的）知识驱动和数据驱动的机器学习方法（特别是归纳逻辑编程和卷积神经网络）的优势，以及人类的专业知识和控制。由此产生的系统可以协助领域专家做出决策，为结果提供透明的解释，并整合用户的反馈；从而减少人类的工作量，既尊重他们的专业知识，又不剥夺他们的代理权或责任。
预测 IRT 难度的解释力
等式 1 的群体性质在 AI 的许多领域都很方便，因为我们在选择要部署的系统之前通常会应用各种技术。所有这些被丢弃的次优系统都可以重新用于计算难度，正如我们将在本文中看到的那样。然而，使用系统群体也会带来一些风险。例如，如果群体包含一个不符合要求的系统（在简单实例上失败，在一些困难实例上成功），则可能导致非常不稳定的难度指标。如果我们只是计算一组系统对每个实例的平均误差作为难度的代理，可能会发生这种情况（Mart´ınez-Plumed 等人，2019 年）。几十年前提出了一种解决这个问题的方法，称为项目反应理论 (IRT)，其中难度是从项目（实例）和受访者（系统）矩阵中推断出来的，这使得符合要求的系统更具相关性。此外，IRT 给出了一个遵循正态分布的难度缩放指标，可以直接与系统的能力进行比较。然而，IRT 和其他难度指标都是从之前的性能结果中得出的，但不依赖于实例空间，因此我们无法预测新实例的难度。我们为这个重要问题提出了一个相对简单的解决方案：以问题特征作为输入、以难度作为输出来训练回归模型。本文涵盖了人工智能中的一系列问题，推导了它们的 IRT 难度，并为每个领域训练了一个回归模型——难度估算器，我们对其进行了系统性的评估。对于许多领域，根据 RMSE 和 Spearman 相关性，对 IRT 难度的估计非常好。我们在一系列应用上说明了这些难度模型的解释能力：
用最小认知网格分析仿生系统的解释力
在本文中，我认为混合仿生系统中的人工组件不起直接解释作用，即在模拟方面，在其所嵌入系统的整体背景中。更准确地说，我认为确定此类人工设备输出的内部程序，替代生物组织并连接到其他生物组织，不能用于直接解释它们所替代的生物组件的相应机制（因此不能用于解释确定此类仿生模型复制的整体生物或认知功能的局部机制）。我基于使用最小认知网格 (MCG) 进行这一分析，这是 Lieto (人工智能认知设计，2021) 中提出的一种新框架，用于对生物和认知启发的人工系统的认识论和解释地位进行排名。尽管缺乏来自人工组件的直接机械解释，但我认为混合仿生系统可以发挥间接解释作用，类似于使用整体结构设计方法（但包括部分采用功能组件）构建的一些人工智能系统所发挥的作用。特别是，生物系统部件的人工替换可以提供 i）在混合生物-人工系统整体功能背景下对该部件的局部功能说明；ii）对与此类人工设备相连的生物元素的结构机制提供整体见解。
有关所得税法和其他法律的解释性说明
第 1 部分 — 《所得税法》和其他法规的修正案 《所得税法》（“法案”或“ITA”）修正案 第 2 条 劳动力流动扣除 ITA 8(1)(t) 法案第 8 条列出了一系列有关纳税人从办公室或就业收入中扣除金额的规则。新的第 8(1)(t) 款引入了劳动力流动扣除（LMD），该扣除规定，工匠或学徒因长途跋涉以赚取建筑业临时就业收入而产生的某些交通、餐饮和临时住宿费用可扣除。除第 8(14) 款中的附加规则外，纳税人当年临时搬迁相关的扣除额不得超过纳税人当年因临时搬迁所赚取的就业收入的 50%。此外，考虑到当年所有临时搬迁，根据 LMD 可扣除的总金额限制为每年 4,000 加元。该修正案适用于 2022 年及以后的纳税年度。劳动力流动性扣除——对 ITA 8(14) 的解释 新的第 8(14) 款提供了与第 8(1)(t) 款中劳动力流动性扣除 (LMD) 的应用相关的额外规则。第 8(14)(a) 款将纳税年度中符合 LMD 资格的技术工人描述为纳税人，该纳税人从作为技术工人或学徒的就业中获得收入，并履行《所得税条例》第 238(1) 款所述的建筑活动中的就业职责。纳税人必须符合第 8(1)(t) 款中的合格技术工人的资格才能申请 LMD。第 8(14)(b) 款将纳税人就 LMD 而言的“临时工作地点”描述为加拿大境内的某个地点：