XiaoMi-AI文件搜索系统
World File Search SystemHum
通过强化学习学习像人类专家一样的平面图
摘要 - 深处增强学习（RL）已经获得了自动在现代芯片设计中生成位置的人口。但是，这些RL模型产生的平面图的视觉样式与手动布局的样式大不相同，因为RL垫片通常只采用诸如Wirelength和Routing Expestion之类的指标作为增强学习的奖励，而忽略了人类专家的复杂且细腻的布局经验。在本文中，我们提出了一个安置得分手，以评估布局的质量，并将异常检测应用于地板计划。此外，我们将该得分手的输出添加为加强安置过程的奖励的一部分。ISPD 2005基准的实验结果表明，我们提出的放置质量得分手可以根据人类工艺风格有效地评估布局，并且将此得分手添加到增强式学习奖励中，有助于与以前的电路设计相比，用更短的线长度生成较短的线长度。索引术语 - 地板，加固倾斜，异常检测，放置得分手
人类巨细胞病毒DNA聚合酶基因中的一个点突变赋予对Ganciclovir和磷酸甲氧烷基衍生物的抗性
ganciclovir抗性突变体759R1）100源自人类巨细胞病毒菌株AD169含有两个抗性突变，其中一个是UL97基因，导致受感染细胞中ganciclovir磷酸化的降低[V. V. V.。 Sullivan，C。L. Talarico，S。C. Stanat，M。Davis，D。M. Coen和K. K. Biron，Nature（伦敦）358：162-164，1992]。在本研究中，我们将第二个突变映射到包含DNA聚合酶基因的4.1-kb DNA片段，并表明它赋予了Ganciclovir抗性而不会损害磷酸化。对4.1-kb区域的序列分析显示，在DNA聚合酶的保守区域V中，在987的位置导致了单个核苷酸变化。重组病毒构建为含有DNA聚合酶突变，但不显示与原始突变体759RD100（22倍）相对于Ganciclovir的中间电阻（4至6倍）；重组病毒还表现出对ganciclovir循环磷酸盐（7倍），1-（二羟基-2-二羟基甲基） - 环胞嘧啶（12倍）和磷酸二甲基烷基衍生物（S）-1-（S）-1-（3-羟基-2-磷酸磷酸盐）的抗性。 （S）-1-（3-羟基-2-磷酸甲氧基）胞嘧啶（8至10倍）。但是，重组病毒仍然容易受到某些相关化合物的影响。这些结果表明，人类巨细胞病毒DNA聚合酶是Ganciclovir的抗病毒活性的选择性靶标，Ganciclovir是其某些衍生物和磷酸氧基烷基衍生物的选择。支持区域V在底物识别中的作用；并提出由于聚合酶突变而导致人类巨细胞病毒对这些化合物的临床抗性的可能性。
与人机团队一起设计 AI 系统
但当错误决策的潜在后果很严重时，就需要更强的态势感知能力。在这种情况下，人类可以充当哨兵，依靠他们的经验来管理风险情况。虽然算法可能擅长识别定义不明确的过程，但也可能需要有经验的人来训练人工智能系统，担任教练的角色。在复杂程度和风险程度很高的情况下，人机交互的需求将达到顶峰，成为一种相互学习的关系。在这种情况下，人类专家是长期、点对点关系中的同伴。
igwebuike：《非洲艺术与人文杂志》卷...
这项研究通过问责制，偏见和以人为中心的设计镜头探讨了人工智能（AI）的道德维度。随着AI技术日益影响各个部门的关键决策，了解谁承担AI驱动的结果的道德责任变得至关重要。本研究评估了现有的责任制框架，并提出了增强功能，以确保AI部署中的道德责任。此外，它解决了AI算法中普遍存在的偏见问题，研究了识别和减轻偏见以促进公平和公平性的方法论。最后，研究强调了以人为中心的设计的原则，主张开发优先人类价值和福利的AI系统。通过整合这些主题，本研究旨在为负责任的AI开发论述做出贡献，为政策制定者，技术人员和伦理学家提供可行的见解，以创建公平且可信赖的AI系统。
人性化的人性化
摘要针对人表皮生长因子受体2（PL85“ M）的鼠单克隆抗体MUMAB4D5，特别抑制了过表达P185HER2的人类肿瘤细胞的增殖。但是，MUMAB4D5在人类癌症治疗中的功效可能受到人类抗小鼠抗体反应和缺乏效应功能的限制。一种“ HUM”抗体Humab4d5-1，仅包含来自MUMAB4D5的抗原结合环和人类可变区域框架残基以及IgG1常数DO。使用311-MER和361-MER预组装的寡核苷酸分别通过“基因转换诱变”在一个步骤中模拟了光和重链变量区域。Humab4d5-1变体并未阻止人类乳腺癌SK-BR-3细胞的产生，尽管抗原结合紧密（KD = 25 nm），但它过表达PL85mm。通过分子建模（Humab4d5-8）挖掘七个添加的Humai变体之一（HUMAB4D5-8）分别比Humab4d5-1和Mumab4d5结合了PL85“ IM2抗原250倍和3倍。此外，Humab4d5-8在阻断SK-BR-3细胞增殖方面具有与UINRE抗体相当的效力。此外，Humab4d5-8在支持抗体依赖性细胞毒性对SK-BR-3细胞方面的效率要高得多，而不是MUMAB4D5，但并不能有效地杀死WI-38细胞，WI-38细胞在较低水平上表达P185HFR。
20250122 - （EN）商业政策中的人权
▪ 供应商。索尔维供应商行为准则适用于所有供应商，并规定了我们的期望，即我们的供应商将在其组织内实践负责任和可持续的商业实践，并致力于持续改进。反过来，我们的合作伙伴也应要求自己的供应商做出同样的承诺。我们的供应商将根据企业社会责任进行评估（对关键供应商进行第三方评估、对非关键供应商进行内部评估、EcoVadis 评估等），这些承诺将在谈判协议中确认。作为“携手可持续发展”（“TfS”）的成员，我们还提高了人们对在化学工业中建立可持续供应链的重要性的认识，包括促进和遵守人权原则的重要性。
建立女权主义气候正义的人权框架
5联合国消除歧视妇女的委员会，一般建议号 根据《消除所有形式歧视妇女歧视的公约》第2条的核心义务，2010年12月16日，Cedaw/C/GC/28。 6 IPCC，2014年气候变化：合成报告（RK Pachauri和La Meyer（eds）； IPCC，1.5ºC的全球变暖：特别报告。 另请参见Ohchr，“关于气候变化与每个人的人类权利之间关系享受最高可实现的身心健康标准之间关系的分析研究” 2016年5月6日，A/HRC/32/23（请参阅与性别和跨性别性有关的部分）。 7NoémiGonda，“重新将性别和气候变化的辩论重新政治化：女权主义政治生态学在尼加拉瓜的适应政策和项目中与权力互动的潜力”（2019年）106 Geoforum87。5联合国消除歧视妇女的委员会，一般建议号根据《消除所有形式歧视妇女歧视的公约》第2条的核心义务，2010年12月16日，Cedaw/C/GC/28。6 IPCC，2014年气候变化：合成报告（RK Pachauri和La Meyer（eds）； IPCC，1.5ºC的全球变暖：特别报告。另请参见Ohchr，“关于气候变化与每个人的人类权利之间关系享受最高可实现的身心健康标准之间关系的分析研究” 2016年5月6日，A/HRC/32/23（请参阅与性别和跨性别性有关的部分）。7NoémiGonda，“重新将性别和气候变化的辩论重新政治化：女权主义政治生态学在尼加拉瓜的适应政策和项目中与权力互动的潜力”（2019年）106 Geoforum87。8 Shreya Atrey，“气候变化的不平等及其所带来的差异”（eds eds），《气候正义中的女权主义边境：性别平等，气候变化和权利》（Edward Elgar 2023）22。
人机交互范例 - DTIC
但是现在，尽管文字处理尚未完成分析，但可用性的前沿已经因为新应用程序和新界面技术的开发和引入而不断向前推进。电子邮件和计算机会议支持等通信应用程序所带来的可用性挑战远比文字处理向非程序员扩展所带来的挑战更加多样化。在当前技术中，多个用户通过极其不同的工作站类型协作访问多个应用程序。就在这些新领域的可用性问题得到阐述和探索的同时，前沿原型正在引入手势（例如手写）和语音输入以及交互式视频输出。这些新发展正在整个行业中以更快的速度、更广泛地发生，并随着时间的推移影响更多的用户。
第一单元 HCI 基础 人类：I/O 通道 – ...
对光高度敏感，因此我们可以在低照度下看东西。 它无法分辨精细的细节，并且容易受到光饱和的影响。 这就是我们从黑暗的房间走到阳光下时会暂时失明的原因：视杆细胞一直处于活跃状态，并被突然的光线饱和。 视锥细胞 视锥细胞是眼睛的第二种受体。 它们对光的敏感度不如视杆细胞，因此可以忍受更多的光线。 视锥细胞有三种，每种对不同波长的光敏感。 这使我们能够看到彩色图像。眼睛有大约 600 万个视锥细胞，主要集中在视网膜中央凹。 中央凹是视网膜的一小部分，图像可在此固定。 盲点 盲点也位于视网膜上。 尽管视网膜主要被光感受器覆盖，但在视神经进入眼睛的地方有一个盲点。 盲点没有视杆细胞或视锥细胞，但我们的视觉系统会对此进行补偿，所以在正常情况下我们无法意识到它。 神经细胞 视网膜还有专门的神经细胞，称为神经节细胞。 有两种类型： X 细胞：这些细胞集中在中央凹，负责早期检测模式。 Y 细胞：这些细胞在视网膜中分布更广泛，负责早期检测运动。 视觉感知 了解眼睛的基本构造有助于解释视觉的物理机制，但视觉感知不止于此。 视觉器官接收到的信息必须经过过滤并传递给处理元素，以便我们识别连贯的场景，消除相对距离歧义并区分颜色。 让我们看看我们如何感知大小和深度、亮度和颜色，它们对于有效的视觉界面的设计都至关重要。
以人为本的可解释人工智能过程模型
引言人工智能 (AI) 的发展已展现出令人瞩目的性能，特别是在图像处理或游戏等明确定义的领域。然而，所部署的技术对于人类用户来说可能是不透明的，这引发了一个问题：人工智能系统如何提供解释 (Neerincx 等人，2018 年；Rosenfeld 和 Richardson，2019 年)，并且监管框架对可解释人工智能 (XAI) 的需求日益增长。话虽如此，2017 年，谷歌的研究主管 Peter Norvig 指出，在人类可能不擅长提供“解释”的情况下期望计算机提供“解释”是具有讽刺意味的。可解释人工智能 (XAI) 的大部分工作都严重依赖于以计算机为中心的视角 (Springer，2019 年)。例如，Holzinger 等人 (2020) 假设人类和人工智能系统可以平等地访问“基本事实”。由此可见，可解释性“……突出了机器表示中与决策相关的部分……，即有助于模型在训练中的准确性或特定预测的部分。”与许多 XAI 文献一样，这并没有为人类提供任何角色，只能作为被动接受者。这意味着人工智能系统能够反省自己的过程来生成解释。然后将得到的解释呈现给用户，并描述人工智能系统的流程或它使用过的特征（“决策相关部分”）。这样，解释就只是一个建议（来自人工智能系统）加上与此相关的特征。正如 Miller (2017) 所指出的那样，这种态度的一个问题在于，它是基于设计师对什么是“好的”解释的直觉，而不是基于对人类如何响应和利用解释的合理理解。这并不能说明为什么选择某些特征，也不能说明为什么建议适合用户的关注点。它也没有将解释置于更广泛的组织中；分析师的解释可能与数据收集管理人员或接受分析师简报的经理的解释不同。对于 Holzinger 等人 (2020) 来说，情况的各个方面（定义为基本事实）被组合成一个陈述；也就是说，解释只是这个陈述的一种表达。这意味着从特征到解释存在线性插值。这类似于 Hempel 和 Oppenheim (1948) 的“覆盖定律模型”，该模型关注的是历史学家如何根据先前的原因来解释事件。然而，“基本事实”（由 Holzinger 的过程模型和覆盖定律模型假设）很少得到完全定义（导致在选择相关特征时产生歧义）。这意味着，仅仅陈述情况方面而不说明为什么选择这些方面（而不是其他方面）可能不会产生有用或可用的解释。霍夫曼等人（2018）对与解释相关的文献进行了全面的回顾。从这篇评论来看，解释涉及人类的理解（将人工智能系统的输出置于特定情境中），我们同意，考虑这一点的适当框架是数据框架的理解模型（Klein 等人，2007）。此外，理解（及其与解释的关系）依赖于认识到过程（提供和接收解释）必须是相互的、迭代的和协商的。这个过程依赖于“解释者”和“被解释者”达成一致。换句话说，解释涉及“共同点”（Clark，1991），其中理解上有足够的一致性以使对话继续进行。对话的性质将取决于提供解释的情况和被解释者的目标。例如，被解释者可能是“受训者”，他试图理解解释以学习决策标准，也可能是“分析师”，使用人工智能系统的建议作为政策。