XiaoMi-AI文件搜索系统
World File Search SystemInterpreting
机会英国水文办公室翻译和口译 2024 招标
英国水文局 (UKHO) 正在寻求任命一名承包商，提供水文数据和信息翻译服务；UKHO 管理和/或商业相关文件；以及电话和/或面对面口译服务。本合同为期 3 个日历年，可选择延长 1 年。
解读网络人工智能：我们的现状和未来
近年来，人工智能 (AI) 技术越来越多地被用于解决网络问题。尽管人工智能算法可以提供高质量的解决方案，但它们中的大多数本质上对于人类认知而言是复杂且不稳定的。这种可解释性的缺乏极大地阻碍了基于人工智能的解决方案在实践中的商业成功。为了应对这一挑战，网络研究人员开始探索可解释的人工智能 (XAI) 技术，以使人工智能模型可解释、可管理和可信赖。在本文中，我们概述了人工智能在网络中的应用，并讨论了可解释性的必要性。接下来，我们回顾了当前对基于人工智能的网络解决方案和系统的解释研究。最后，我们展望了未来的挑战和方向。本文的最终目标是为人工智能和网络从业者提供一般指导方针，并推动基于人工智能的解决方案在现代通信网络中的不断进步。
从大内核卷积的角度来解释和提高注意力
摘要 - 注意机制通过有效捕获全球环境具有显着高级的视觉模型。但是，它们对大规模数据集和实质性计算资源的依赖构成了数据筛查和资源约束方案的挑战。此外，传统的自我发作的机械主义缺乏固有的空间归纳偏见，这使它们成为对涉及较小数据集至关重要的任务至关重要的局部特征进行建模的。在这项工作中，我们引入了大型内核卷积（LKCA），这是一种新型的表述，将注意力重新诠释为单一的大内核卷积。这种设计统一了卷积体系结构的优势 - 本地性和跨性别不变性，具有自我注意力的全球背景建模能力。通过将这些属性嵌入计算高效的框架中，LKCA解决了传统注意机制的关键局限性。所提出的LKCA在各种视觉任务中实现竞争性能，尤其是在数据约束的设置中。对CIFAR-10，CIFAR-100，SVHN和TININE-IMAGENET的实验结果证明了其在图像分类中出色的能力，在紧凑型模型设置中表现出色，表现优于常规的强度机制和视觉变压器。这些发现突出了LKCA在桥接本地和全球功能建模中的有效性，为具有有限的数据和资源的现实世界应用提供了实用且强大的解决方案。
缺席的后果：解读《移民和国籍法》第 242B 条新规定
在某些法庭上发言。1990 年移民法增加了移民和国籍法第 242B 条，剥夺了移民法官决定是否可以在外国人缺席的情况下进行宪法要求的驱逐出境听证会的自由裁量权。该法规限制了“撤销”缺席驱逐令的程序以及这样做的可接受理由范围。它还取消了收到驱逐出境听证会通知（包括庇护听证会）的外国人五年内不得获得各种形式的救济。这些新规定是在没有经过大量研究的情况下制定的，并通过未经公众评论而通过的临时法规实施。本文解决了一些仍然存在的主要解释问题。
理解和解释急诊医学中的人工智能、机器学习和深度学习
2015 年至 2021 年间，MEDLINE 索引中涉及急诊和急救护理中 AI 的出版物超过 500 篇，其中超过一半是在过去 2 年内发表的。人们认识到 AI 技术可以在 ED 决策、工作流程和运营中发挥重要作用。2–4 然而，由于对非结构化且通常不透明的报告、不适当的算法选择、代理偏差、数据隐私和安全的担忧，人们呼吁制定更好的标准来开展和报告涉及 AI 的研究。5–9 对于执业的 ED 临床医生来说，这将有助于在模型部署或推广之前解释和理解 AI 研究。本文旨在为临床医生和研究人员提供入门知识，帮助他们了解与 EM 相关的常见 AI 方法，并提供解释 AI 研究的框架。配套论文更详细地探讨了 EM 环境中的 AI 模型构建流程。
根据数据质量解释档案横截面与 LET 拟合参数
• 例子：对于易受影响的部分，低起始 LET 似乎与高饱和截面相关……但仅限于低 LET 时，但在较大的数据集中相关性不太明显，尤其是在不知道威布尔宽度和形状的情况下 • 但我们对起始 LET (LET 0 ) 和饱和截面 ( σ s ) 有多了解？如果我们知道威布尔 w 和 s，情况会有所不同吗？ • 这些参数是如何确定的？最小二乘法？广义线性模型？用肉眼看？它们是最佳拟合还是有界的？ • 不同的数据质量（例如 σ 与 LET 中的 LET 数量、每个点的事件数量）是否会导致不同的 LET 0 / σ s 估计值产生不同的误差？
在虚拟十字路口遇到自动车辆时，解释行人的头部运动
将来，自动车辆（AV）可能能够使用行人的头部运动模式来了解他们的交叉意图。AV预测行人交叉意图的这种能力将改善混合交通情况下的道路安全性，并可能增强交通流量，从而使车辆能够在产量之前逐渐降低速度，从而消除了完全且不稳定的停止。迄今为止，研究行人头部运动进行的大多数工作都是基于观察研究。为了进一步了解这一领域的理解，这项研究检查了在VR环境中开发的各种道路越过场景中与AVS互动时的行人头部运动。38名参与者参加了这项基于洞穴的行人模拟器研究。使用立体运动跟踪眼镜记录了头部运动，因为行人越过道路，以响应从右侧（英国道路）接近的AV。在一半的试验中包括了斑马穿越，以了解其如何影响交叉行为。还研究了AV的不同接近速度的影响，以及外部人机界面（EHMI）的存在对头部运动和交叉行为的影响。结果表明，在交叉开始前1 s左右，绝对的头转弯率（PE Destrians的头部转弯角变化）显着增加，在交叉开始时达到了峰值，在交叉决定之前，行人在交叉决定之前进行了“最后一秒钟的检查”。对于不可用的场景，还可以看到更高的转向率。在穿越末端（越过启动后约1.5 s）可以看到右侧的绝对转向率的另一种增加，以检查接近车辆的接近度。最后，在斑马横交的存在下，在包括EHMI的屈服条件下看到了最少的头转弯。这些结果表明，基于基础设施和车辆的线索在协助行人交叉决策方面的价值，并提供了有关AVS如何使用转弯行为来更好地预测行人在城市环境中的交叉意图的见解。
观察时钟：解释 Page-Wootters 形式主义和内部量子参考框架程序
最近，量子基础领域对 Page-Wootters (PW) 形式主义的兴趣激增，并且基于内部量子参考系 (IQRF) 的相关概念开发了一项新研究计划。这项研究得出了许多令人兴奋的结果，为时间本质、参考系和等效原理等问题的深层问题提供了新的见解。这些问题使 PW 和 IQRF 研究计划正好处于量子力学基础和正在进行的量子引力理论探索的交汇处，因此，了解这些计划的结果对我们理解这些领域究竟意味着什么，是非常有意义的。在本文中，我们旨在阐明 PW 和 IQRF 计划的一些主要主题的基础性影响，尽管我们当然无法涵盖这些领域研究人员所取得的所有成就。这些研究计划的一个特点引发了许多问题，那就是 PW 形式主义和更普遍意义上的 IQRF 研究计划显然没有为波函数坍缩机制或任何其他可确保测量具有唯一结果的方法留出空间。因此，人们可能会认为，为了认真对待这些研究计划，我们必须采用埃弗雷特解释、新哥本哈根解释或其他不坚持唯一测量结果的解释。因此，为了理解这项研究的基础意义，重要的是确定 PW 和 IQRF 形式主义是否隐含地依赖于量子力学的某种解释，以及是否有可能在单一世界现实主义解释的背景下理解它们的结果。围绕 PW 和 IQRF 形式主义的操作凭证也存在重要问题。这两种方法的支持者通常都以操作性的角度来推动他们的研究——例如，参考文献 [1] 认为“将操作性的观点扩展到量子理论，人们会通过测量充当时钟的量子系统来定义时间。”这种对时间的操作性方法听起来非常合理（事实上，它继承自爱因斯坦在狭义和广义相对论中对时间的方法），但重要的是要记住，这些框架通常不会明确地模拟观察者，因此在形式结果和实际观察者执行的操作之间仍然存在需要弥合的差距。弥合这一差距可能需要我们采取一些关于观察者角色的立场，以及 PW 和 IQRF 形式化归因于测量结果的概率的性质。因此，在简要介绍 PW 和 IQRF 研究计划后，我们将把我们的探究分为四个问题，事实上，所有这些都是相互关联的：
注意与否：对视觉选择性注意频率特征进行分类和解释
摘要：选择性注意是指在处理对实现我们的行为目标很重要的事物（目标事物）而不是对那些目标不重要的事物（干扰事物）的能力。先前的研究表明，选择性注意的机制有助于提高对简单的日常任务和需要学习新信息的更复杂活动的感知能力。最近，使用逻辑回归 (LR) 和支持向量机 (SVM) 分类，已经验证了对目标事物和干扰事物的选择性注意在频域中是可分离的。然而，在选择性注意的背景下，辨别目标和干扰事物的动态尚未完成。本文扩展了仅依靠神经活动（频率特征）对干扰和意图进行可能的分类和解释的研究。具体来说，本文 (i) 对干扰对象与目标对象进行分类，复制先前研究中的 LR 分类，通过 (ii) 解释与所有特征相关的系数权重（重点是 N2PC 特征）来扩展分析，以及 (iii) 使用解释分析认为重要的特征重新训练 LR 分类器。通过解释方法，我们成功地将特征大小减少到总特征的 7.3% - 即从 19,072 个特征减少到 1,386 个特征 - 同时仅记录了 0.04 的性能准确度得分损失 - 即从 0.65 减少到 0.61。此外，对分类器系数权重的解释揭示了有关频率的新证据，这已与本文一起讨论过。
理解和解释人工智能，机器学习和急诊医学中的深度学习
在2015年至2021年之间，Medline中有超过500个出版物涉及AI的急性和急诊护理，其中一半以上在过去的两年内出版。人们认识到，AI技术可能在ED决策，工作流和运营中起重要作用。2–4然而，人们对非结构化且经常不透明的报告，不适当的算法选择，代理偏见，数据隐私和安全性的担忧导致呼吁对涉及AI的研究进行更好的努力和报告。5–9对于执业ED临床医生，这将有助于在模型部署或概括之前对AI研究的解释和理解。 本文的目的是作为临床医生和研究人员在理解与EM有关的常见AI方法方面的入门，并提供解释AI研究的框架。 同伴论文在EM上下文中提供了AI模型构建管道的更详细的利用。5–9对于执业ED临床医生，这将有助于在模型部署或概括之前对AI研究的解释和理解。本文的目的是作为临床医生和研究人员在理解与EM有关的常见AI方法方面的入门，并提供解释AI研究的框架。同伴论文在EM上下文中提供了AI模型构建管道的更详细的利用。