XiaoMi-AI文件搜索系统
World File Search SystemFlach
Danielle M. Krobath博士
2。Stewart JC，Flach A.（2015）。充分利用每次重复。神经物理疗法杂志，39（1），31-32。书籍第1章Winstein CJ，Stewart JC。（2006）。具有神经系统障碍的人的任务练习条件。in：神经修复和神经植物的教科书。医学神经康复（Eds Selzer M，Clark S，Cohen L，Duncan P，Gage F），剑桥大学出版社，剑桥，89-102。同行评审的会议论文1。Stewart JC，Gordon J，Winstein CJ。（2008）。使用虚拟环境来调查中风后不受限制的触及行动的计划：一项可行性研究。Virtual Rehabilitation 2008，加拿大温哥华，13-21。
吉尔·坎贝尔·斯图尔特
2。Stewart JC，Flach A.（2015）。充分利用每次重复。神经物理疗法杂志，39（1），31-32。书籍第1章Winstein CJ，Stewart JC。（2006）。具有神经系统障碍的人的任务练习条件。in：神经修复和神经植物的教科书。医学神经康复（Eds Selzer M，Clark S，Cohen L，Duncan P，Gage F），剑桥大学出版社，剑桥，89-102。同行评审的会议论文1。Stewart JC，Gordon J，Winstein CJ。（2008）。使用虚拟环境来调查中风后不受限制的触及行动的计划：一项可行性研究。Virtual Rehabilitation 2008，加拿大温哥华，13-21。
这是一篇原创文章的自存档版本... - Doria
态势感知 (SA) 已经取代传统的“方向舵和操纵杆”技能，成为空战中取胜的主要因素 (Endsley，1995；Svenmarckt 和 Dekker，2003)。态势感知通常被定义为一个人对当前状况的感知 (SA 级别 1)、对当前状况的理解 (SA 级别 2) 和对近期事件的预测 (SA 级别 3) 的三级结构 (Endsley，1995)。态势感知作为一个概念可能是有争议的。例如，Dekker 和 Hollnagel (2004) 将该概念描述为“民间模型”，并采用还原论方法，认为态势感知可以分解为可测量的具体组成部分 (例如决策、感知、理解和长期记忆)。他们还认为，态势感知不容易被证伪 (另见 Flach，1995)。即使承认 SA 确实存在，该概念的科学性仍有待商榷。例如，它存在于用户的认知中，还是更广泛系统的突发属性，以及最合适的测量方法是什么（有关更多详细信息，请参阅 Salmon 等人，2008 年；Endsley，2015 年；Stanton 等人，2017 年；Nguyen 等人，2019 年的广泛评论）？尽管如此，很明显，SA 的概念已成为评估系统和人类表现的重要指标。正如 Wickens (2008) 指出的那样“……人们可以说，该构造在理论和应用中的使用增加证明了
模拟空战的团队态势感知精度测量技术 - 感知与性能之间的曲线关系
态势感知 (SA) 已经取代传统的“方向舵和操纵杆”技能，成为空战中取胜的主要因素 (Endsley，1995；Svenmarckt 和 Dekker，2003)。态势感知通常被定义为一个人对当前状况的感知 (SA 级别 1)、对当前状况的理解 (SA 级别 2) 和对近期事件的预测 (SA 级别 3) 的三级结构 (Endsley，1995)。态势感知作为一个概念可能是有争议的。例如，Dekker 和 Hollnagel (2004) 将该概念描述为“民间模型”，并采用还原论方法，认为态势感知可以分解为可测量的具体组成部分 (例如决策、感知、理解和长期记忆)。他们还认为，态势感知不容易被证伪 (另见 Flach，1995)。即使承认 SA 确实存在，该概念的科学性仍有待商榷。例如，它存在于用户的认知中，还是更广泛系统的突发属性，以及最合适的测量方法是什么（有关更多详细信息，请参阅 Salmon 等人，2008 年；Endsley，2015 年；Stanton 等人，2017 年；Nguyen 等人，2019 年的广泛评论）？尽管如此，很明显，SA 的概念已成为评估系统和人类表现的重要指标。正如 Wickens (2008) 指出的那样“……人们可以说，该构造在理论和应用中的使用增加证明了
意识与
态势感知 (SA) 已经取代传统的“方向舵和操纵杆”技能，成为空战中取胜的主要因素 (Endsley，1995；Svenmarckt 和 Dekker，2003)。态势感知通常被定义为一个人对当前状况的感知 (SA 级别 1)、对当前状况的理解 (SA 级别 2) 和对近期事件的预测 (SA 级别 3) 的三级结构 (Endsley，1995)。态势感知作为一个概念可能是有争议的。例如，Dekker 和 Hollnagel (2004) 将该概念描述为“民间模型”，并采用还原论方法，认为态势感知可以分解为可测量的具体组成部分 (例如决策、感知、理解和长期记忆)。他们还认为，态势感知不容易被证伪 (另见 Flach，1995)。即使承认 SA 确实存在，该概念的科学性仍有待商榷。例如，它存在于用户的认知中，还是更广泛系统的突发属性，以及最合适的测量方法是什么（有关更多详细信息，请参阅 Salmon 等人，2008 年；Endsley，2015 年；Stanton 等人，2017 年；Nguyen 等人，2019 年的广泛评论）？尽管如此，很明显，SA 的概念已成为评估系统和人类表现的重要指标。正如 Wickens (2008) 指出的那样“……人们可以说，该构造在理论和应用中的使用增加证明了
对 SARS-CoV- mRNA-1273 疫苗的评估...
KS Corbett、B. Flynn、KE Foulds、JR Francica、S. Boyoglu-Barnum、AP Werner、B. Flach、S. O'Connell、KW Bock、M. Minai、BM Nagata、H. Andersen、DR Martinez、AT Noe、N. Douek、MM Donaldson、NN Nji、GS Alvarado、DK Edwards、DR Flebbe、E. Lamb、NA Doria-Rose、BC Lin、MK Louder、S. O'Dell、SD Schmidt、E. Phung、LA Chang、C. Yap、J.-PM Todd、L. Pessaint、A. Van Ry、S. Browne、J. Greenhouse、T. Putman-Taylor、A. Strasbaugh、T.-A. Campbell、A. Cook、A. Dodson、K. Steingrebe、W. Shi、Y. Zhang、OM Abiona、L. Wang、A. Pegu、ES Yang、K. Leung、T. Zhou、IT。 Teng、A. Widge、I. Gordon、L. Novik、RA Gillespie、RJ Loomis、JI Moliva、G. Stewart-Jones、S. Himansu、W.-P。 Kong、MC Nason、KM Morabito、TJ Ruckwardt、JE Ledgerwood、MR Gaudinski、PD Kwong、JR Mascola、A. Carfi、MG Lewis、RS Baric、A. McDermott、IN Moore、NJ Sullivan、M. Roederer、RA Seder 和 BS Graham
![arXiv:2009.05487v3 [cs.AI] 2021 年 8 月 26 日](/simg/g:\will\search\icon\source\3\3c87b68027f137968ab7fa405274c3bf872022b1.png)
arXiv:2009.05487v3 [cs.AI] 2021 年 8 月 26 日
机器学习 (ML) 正在改变着工业、科学和社会。如今，ML 算法可以在理发店预约（Leviathan 和 Matias，2018 年）、根据蛋白质的氨基酸序列确定其 3D 形状（Senior 等人，2020 年），甚至可以撰写新闻文章（Brown 等人，2020 年）。仔细观察这些发展，我们发现模型越来越复杂。不同的 ML 模型以启发式方式堆叠在一起，但理论支持有限（Hutson，2018 年）。在某些应用中，只要算法在大多数情况下表现良好，复杂性可能就不是问题。然而，在社会、认识论或安全关键领域，复杂性可能会排除 ML 解决方案——例如自动驾驶、科学发现或刑事司法。高度复杂算法的两个主要缺点是模糊性问题（Lipton，2018 年）和对抗性攻击（Szegedy 等人，2014 年）。模糊性问题描述了人类对 ML 算法内部运作的有限认知访问，尤其是关于参数的语义解释、学习过程和 ML 决策的人为可预测性（Burrell，2016 年）。这种可解释性的缺乏最近引起了广泛关注，从而催生了可解释人工智能 (XAI) 领域的发展（Doshi-Velez 和 Kim，2017 年；Rudin，2019 年）。人们提出了许多技术来深入了解机器学习系统（Adadi 和 Berrada，2018 年；Doˇsilovi´c 等人，2018 年；Das 和 Rad，2020 年）。与模型无关的方法尤其受到关注，因为与特定于模型的方法不同，它们的应用不限于特定的模型类型（Molnar，2019 年）。全局与模型无关的解释技术（如置换特征重要性（Fisher 等人，2019 年）或部分依赖图（Friedman 等人，1991 年））旨在理解机器学习算法的一般属性。另一方面，局部模型无关解释方法（如 LIME（Ribeiro 等人，2016 年）或 Shapley 值（ˇ Strumbelj 和 Kononenko，2014 年））旨在理解算法在特定区域的行为。解释特定模型预测的一种方法是反事实解释 (CE)（Wachter 等人，2017 年）。CE 通过提供最接近的替代输入来解释预测，该输入将导致不同的（通常是期望的）预测。CE 是我们在本文中研究的第一类对象。对抗性攻击问题描述了这样一个事实：复杂的 ML 算法容易受到欺骗（Papernot 等人，2016a；Goodfellow 等人，2015；Szegedy 等人，2014）。攻击者可以利用此类故障来伤害模特雇主或危及最终用户（Song 等人，2018）。研究对抗性攻击的领域称为对抗性机器学习（Joseph 等人，2018）。如果攻击发生在训练过程中，通过插入错误标记的训练数据，这种攻击称为投毒。如果攻击发生在训练过程之后，通常称为对抗性示例 (AE)（Serban 等人，2020 年）。AE 是类似于真实数据但被训练过的 ML 模型错误分类的输入，例如，乌龟图像被归类为 rière（Athalye 等人，2018 年）。因此，错误分类在这里意味着算法与某些（通常是人类给出的）基本事实相比分配了错误的类别/值（Elsayed 等人，2018 年）。AE 是与我们的研究相关的第二类对象。尽管不透明度问题和对抗性攻击问题乍一看似乎毫无关联，但仍有充分的理由联合研究它们。 AE 显示了 ML 模型失败的地方，检查这些失败可以加深我们对模型的理解（Tomsett 等人，2018 年；Dong 等人，2017 年）。另一方面，解释可以阐明如何改进 ML 算法，使其对 AE 更具鲁棒性（Molnar，2019 年）。缺点是，解释可能包含有关模型的太多信息，从而允许构建 AE 并攻击模型（Ignatiev 等人，2019 年；Sokol 和 Flach，2019 年）。CE 与 AE 的联系比其他解释更强。CE 和 AE 可以通过解决相同的优化问题 1 来获得（Wachter 等人，2017 年；Szegedy 等人，2014 年）：