XiaoMi-AI文件搜索系统
World File Search SystemFrame
迈向可解释人工智能的统一框架
可解释人工智能 (XAI) 领域已迅速成为一个蓬勃发展且成果丰硕的社区。然而，该领域一个不为人知、反复出现且公认的问题是缺乏对其术语的共识。特别是，每一项新贡献似乎都依赖于其自己的（通常是直观的）术语版本，例如“解释”和“阐释”。这种混乱阻碍了该领域进步的巩固，无法满足科学和监管要求，例如在比较方法或确定其对偏见和公平约束的遵从性时。我们提出了一个理论框架，它不仅为这些术语提供了具体的定义，而且还概述了产生解释和阐释所需的所有步骤。该框架还允许重新语境化现有贡献，以便可以衡量其范围，从而使它们与其他方法具有可比性。我们表明，该框架符合对解释、可解释性和评估指标的要求。我们提供了一个用例，展示了如何使用该框架来比较 LIME、SHAP 和 MDNet，确定它们的优点和缺点。最后，我们从我们的框架的角度讨论了 XAI 的相关趋势以及对未来工作的建议。
dmr：视觉增强学习中的框架和事件融合的分解多模式表示
我们使用两种互补视觉方式探索视觉增强学习（RL）：基于框架的RGB凸轮和基于事件的动态视觉传感器（DVS）。iSTING多模式视觉RL方法在有效提取与任务相关的信息时经常遇到挑战。为了解决这个问题，我们提出了用于视觉RL的分解多模式表示（DMR）框架。它将输入分为三个不同的组成部分：与任务相关的效果（共同功能），RGB特异性噪声和DVS特异性噪声。共同创作表示与RL任务相关的两种模式中的完整信息；这两个噪声组件都受到数据重构损失以避免信息泄漏的约束，与共同创作形成对比，以最大程度地差异。广泛的经验表明，通过明确分开不同信息的类型，我们的方法可实现与最先进的方法相比，实质性改善的政策绩效。
世界/亚洲首个在金医院进行的深脑刺激的植入
进一步补充说，secunderabad Kims Hospitals Dhanunjaya Rao Ginjupally博士，立体定向和功能性神经外科医院说：“这些毫米的分数可以对深脑刺激的有效性和安全性产生很大的差异。如果没有将电极植入正确的位置，则神经外科医生可能必须多次穿透大脑，这增加了除多个编程和铅重新定位外出血的风险。但是，如果将电极植入正确的位置，则效果是压倒性的，同时最大程度地减少了去医院的风险和重新审视。”
新兴技术优先排序框架
5. 机构有责任评估系统功能。与所有其他 FedRAMP 授权一样，授权流程会考虑 CSP 保护的系统数据的机密性、完整性和可用性。它不会证明 CSO 功能的性质或质量，也不会证明它最适合机构的特定技术需求。机构使用更广泛的标准来推动自己的采购和评估流程。FedRAMP 可能包括与特定 ET 相关的其他信息的要求（例如技术要求、性能指标或负责任的使用政策）。FedRAMP 致力于为机构提供工具，以保护他们在这些系统中处理的数据的机密性、完整性和可用性。
政府使用人工智能和自动决策的信任框架 - v3
随着各国政府越来越多地探索和投资人工智能和自动决策系统，我们需要采取措施确保这些快速发展的技术在公共服务的特殊环境中得到适当使用。在许多国家，COVID 创造了一个信任度提高的泡沫，这个泡沫可以说已经破灭了，在一个对公共机构前所未有的不信任的时代（但即使在信任度很高的时代），服务速度更快或更具成本效益是不够的。本文为政府系统（技术平台、运营、文化、治理、参与等）提出了建议，这些建议将有助于提高公众对公共机构、政策和服务的信心和信任，同时履行公共部门的特殊义务和责任。
以用户为中心的可解释人工智能框架...
最先进的人工智能 (AI) 技术已经达到了令人印象深刻的复杂性。因此，研究人员正在发现越来越多的方法将它们用于实际应用。但是，这种系统的复杂性要求引入使这些系统对人类用户透明的方法。AI 社区正试图通过引入可解释 AI (XAI) 领域来克服这一问题，该领域旨在使 AI 算法不那么晦涩难懂。但是，近年来，人们越来越清楚地认识到 XAI 不仅仅是一个计算机科学问题：由于它与通信有关，因此 XAI 也是人机交互问题。此外，AI 走出实验室是为了在现实生活中使用。这意味着需要针对非专家用户量身定制的 XAI 解决方案。因此，我们提出了一个以用户为中心的 XAI 框架，该框架侧重于其社交互动方面，灵感来自认知和社会科学的理论和发现。该框架旨在为非专家用户提供交互式 XAI 解决方案的结构。
可解释的人工智能的法律框架
第二，我们讨论法律，技术和行为因素如何提供有关在哪种背景下使用我们的法律-XAI分类法的解释的指导。以信用评分为例，我们演示了法律如何规定可以将哪种类型的解释方法用于特定算法决策系统。我们展示了法律，计算机科学和行为原则的结合如何指导决策者，法律学者和计算机科学家为特定法律领域选择正确的解释方法。第三，我们证明了如何将我们的法律-XAI分类法应用于包括医疗补助，高等教育和自动决策在内的各个领域。我们认为，在创建解释权时，决策者应该更具体。自动化的决定通常可以用大量的解释方法来解释，决策者应指定哪些解释应必须提高决策者的政策目标。我们的法律-XAI分类法可以帮助决策者根据其政策目标确定正确的解释方法。
