XiaoMi-AI文件搜索系统
World File Search SystemKrishnamurthy
Bach，E。Orcid：https：//orcid.org/0000-0002-9725-0203，Mote，S.，Krishnamurthy，V.，Surjalal Sharma，A.，Ghil，Ghil，M。和Kalnay，E.（2021）
摘要：气候系统的振荡模式是其最可预测的特征之一，尤其是在季节内尺度上。这些振荡可以通过数据驱动的方法很好地预测，通常比动态模型更好。但是，由于振荡仅代表了总方差的一部分，因此以前尚不清楚将振荡预测与整体系统的动态预测相结合的一种方法。我们引入了集合振荡校正（ENOC），这是一种校正动力学模型集合预测中振荡模式的通用方法。我们计算合奏平均值或集合概率分布，只有最佳的集合成员，这是由它们与振荡模式的数据驱动预测差异所确定的。我们还提出了一种使用集合数据同化的替代方法，将振荡预测与系统的动态预测集合（ENOC-DA）结合在一起。使用一种称为多通道构思频谱分析（M-SSA）的时间序列分析方法提取振荡模式，并使用模拟方法进行了预测。我们使用具有显着振荡组件的混沌玩具模型测试这两种方法，并表明与未校正的集合相比，它们可稳健地减少误差。我们讨论了这种方法的应用，以改善季风的预测以及气候系统的其他部分。我们还讨论了该方法可能扩展到其他数据驱动的预测，包括机器学习。
Larasati, Retno；De Liddo, Anna 和 Motta, Enrico (2021)。人工智能医疗保健系统界面：非专家用户信任的解释设计。在：ACMIUI-WS 2021：ACM IUI 2021 研讨会联合论文集（Glowacka、Dorota 和 Krishnamurthy、Vinayak 编辑），CEUR 研讨会论文集，2903。
摘要研究表明，非专家用户倾向于过度信任或不信任人工智能系统。当人工智能应用于医疗保健时，这引起了人们的担忧，患者信任不可靠系统的建议或完全不信任可靠系统的建议可能会导致致命事故或错过医疗保健机会。先前的研究表明，解释可以帮助用户对人工智能系统的信任做出适当的判断，但如何在医疗支持场景中为非专家用户设计人工智能解释界面仍然是一个悬而未决的研究挑战。本文探讨了一个基于阶段的参与式设计过程，以在人工智能医疗支持场景中为非专家开发一个值得信赖的解释界面。值得信赖的解释是一种帮助用户对医疗保健是否信任人工智能系统做出深思熟虑的判断的解释。本文的目的是确定可以有效地为值得信赖的解释界面的设计提供信息的解释组件。为了实现这一目标，我们进行了三次数据收集，研究了专家和非专家对人工智能医疗支持系统解释的看法。然后，我们开发了一个用户心理模型、一个专家心理模型和一个目标心理模型，描述了非专家和专家如何理解解释，他们的理解有何不同，以及如何将它们结合起来。基于目标心理模型，我们提出了一套 14 条解释设计指南，用于可信的人工智能医疗系统解释，这些指南考虑到了非专家用户的需求、医疗专家的实践和人工智能专家的理解。