XiaoMi-AI文件搜索系统
World File Search SystemLIME
具有可解释的基于ML的糖尿病预测的石灰和外形解释者的比较分析
抽象可解释的人工智能有益于将不透明的机器学习模型转换为透明的模型，并概述了每个人如何在医疗保健行业做出决策。理解影响糖尿病预测的决策的变量，这些变量可以由模型不可知的技术解释。在这个项目中，我们研究了如何为基于逻辑回归体系结构建立的机器学习模型生成本地和全局解释。我们使用可解释的AI技术石灰和摇动对糖尿病患者的253,680次调查反应进行了培训。石灰和外形来解释有关验证和测试集的逻辑回归和基于森林的随机模型产生的预测。通过讨论未来的工作，提供了对石灰和摇动之间各种实验发现的比较分析和讨论，以及它们在解释方面的优势和劣势。在测试集中，我们使用具有空间注意机制的LR体系结构的高精度为86％，证明了合并机器学习和可解释AI的可能性，以改善糖尿病的预测，诊断和治疗。我们还专注于石灰和塑造口译员的机器学习模型的各种应用，困难和可能的未来方向。
哪种SDM模型，Climex vs. Maxent，最佳预测在气候变化方案下，在全球范围内sarta分布？
简单摘要：我们的研究使用机械和相关的小众模型评估了Aeolesthes Sarta建立的全球风险。害虫（已知会影响各种硬木树木）由于其隔离状态对国际贸易构成威胁。使用物种出现和气候数据的基于物种特异性生理阈值和Maxent模型的Climex模型投射了其潜在分布。这两个模型都与当前的分布很好地保持一致，预测了中部和南半球的较宽范围，不包括极端北部地区。未来的气候变化可能会扩大其范围，尤其是在存在其寄主物种的欧洲和北美。温度和降水是影响其分布的关键因素。这些模型为政策制定者和贸易谈判者提供了宝贵的见解，以制定基于科学的害虫管理和贸易协定的决策，从而有助于监视全球潜在的害虫介绍。
使用Graphlime
摘要 - 本文的目的是详细研究使用图形lime（图形神经网络的局部解释模型解释）来对糖尿病的可信度预测。我们的追求涉及确定图形灰质的优势，并使用原始的石灰方法结合了深度学习神经网络的标准耦合的注意力机制。该系统以这种方式构建，为我们提供了一种提取最相关功能并专门应用这些功能的熟练方法。我们密切监视了两种方法的性能指标，并进行了比较分析。利用注意力学的注意力，我们已经为解决问题达到了92.6％的准确性。在整个研究过程中，该模型的性能得到了精心证明，并且使用接收器操作特征（ROC）曲线对结果进行了评估。通过在诊断出患有或没有糖尿病的768名患者的数据集上进行此技术，我们成功地将模型的性能提高了18％以上。索引术语 - 深度监督学习，糖尿病数据集，解释性，注意机制，图形神经网络
美国EPA，农药产品标签，雷克斯石灰硫溶液，02/20/2024
February 20, 2024 Brooke Baker Manager of Regulations OR-CAL, Inc. 29454 Meadowview Road Junction City, OR 97488 Subject: Notification per PRN 98-10 – Addition of 4 gallon package size Product Name: REX LIME SULFUR SOLUTION EPA Registration Number: 71096-6 Application Date: January 18, 2024 Case Number: 497128 Dear Brooke Baker: The Agency is in根据上述参考产品收到根据农药注册通知（PRN）98-10收到农药通知的申请。注册部（RD）已根据PRN 98-10对其适用性进行了审查，并发现所请求的诉讼属于PRN 98-10的范围。随附该应用程序提交的标签已被盖章“通知”并放置在我们的记录中。如果您希望在您的标签上添加/保留对公司网站的参考，请注意，该网站在联邦杀虫剂，杀菌剂和Rodenticide Act（FIFRA）下贴上标签，并由该机构进行审查。如果网站是错误的或误导性的，则根据FIFRA第12（a）（1）（e）条出售或分发产品将是错误的，并且非法出售或分发。40 CFR 156.10（a）（5）列出了语句示例EPA可能会考虑错误或误导性。此外，无论您是否在您的产品标签上引用网站，网站上的索赔都可能与通过注册过程批准的那些索赔有根本差异。因此，如果该机构发现网站包含虚假或误导性的陈述或索赔与EPA批准的注册有很大不同的索赔，则该网站将被转介给EPA的执法和合规办公室。
使用机器学习方法和 LIME 的可解释 EEG 人类活动识别模型
摘要：脑电图 (EEG) 是一种非侵入性方法，通过监测认知和运动任务期间的神经反应来辨别人类行为。机器学习 (ML) 是一种很有前途的人类活动识别 (HAR) 工具，可解释人工智能 (XAI) 可以阐明 EEG 特征在基于 ML 的 HAR 模型中的作用。本研究的主要目的是调查基于 EEG 的 ML 模型对日常活动（例如休息、运动和认知任务）进行分类的可行性，并通过 XAI 技术对模型进行临床解释，以阐明对不同 HAR 状态贡献最大的 EEG 特征。该研究涉及对 75 名健康个体的检查，这些个体之前没有神经系统疾病的诊断。在静息状态、两种运动控制状态（行走和工作任务）和认知状态（阅读任务）期间获得了 EEG 记录。电极被放置在大脑的特定区域，包括额叶、中央叶、颞叶和枕叶（Fz、C1、C2、T7、T8、Oz）。使用 EEG 数据训练了几种 ML 模型以进行活动识别，并采用 LIME（局部可解释模型不可知解释）对 HAR 模型中最具影响力的 EEG 频谱特征进行临床解释。HAR 模型的分类结果，尤其是随机森林和梯度提升模型，在区分所分析的人类活动方面表现出色。ML 模型在人类活动识别方面表现出与 EEG 频谱带的一致性，这一发现得到了 XAI 解释的支持。总之，将可解释人工智能（XAI）纳入人类活动识别（HAR）研究可能会改善患者康复、运动意象、医疗保健元宇宙和临床虚拟现实设置的活动监测。
基于SHAP、LIME和LightGBM的XAI
我们使用基于 SHapley 加法解释 (SHAP)、局部可解释模型不可知解释 (LIME) 和光梯度增强机 (LightGBM) 的最新可解释人工智能 (XAI) 来分析各种物理农业 (农业) 工人数据集。我们开发了各种有前景的身体感应系统，以增强农业技术进步、培训和工人发展以及安全性。然而，现有的方法和系统不足以深入分析人体运动。因此，我们还开发了可穿戴传感系统 (WS)，它可以通过分析不同农田、草地和花园中的人体动态和统计数据来捕获与农业工人运动相关的实时三轴加速度和角速度数据。在使用用 Python 编写的新程序调查获得的时间序列数据后，我们与真正的农业工人和管理人员讨论了我们的发现和建议。在本研究中，我们使用 XAI 和可视化来分析有经验和缺乏经验的农业工人的多样化数据，以开发一种供农业主管培训农业工人的应用方法。
粘液：模糊的程序敏感能量分配
能源分配策略是改善代码覆盖范围和漏洞发现的最流行技术之一。核心直觉是，模糊器应将更多的计算能量分配给具有高效率的种子文件，以触发突变后独特的路径和崩溃。现有解决方案通常定义几个属性，例如，执行速度，文件大小以及控制流程图中触发的边缘的数量，以作为其分配逻辑中的关键测量值，以估算种子的潜力。通常认为财产的效率在不同的程序中相同。但是，我们发现此假设并不总是有效的。结果，具有静态能量分配逻辑的最先进的能源分配解决方案很难在不同程序上实现理想的性能。为了解决上述问题，我们提出了一种新型的程序敏感解决方案，名为Slime，以在每个程序的各种属性上启用具有各种属性的种子文件的自适应能量。具体来说，史莱姆首先设计了多个属性感知的队列，每个队列都包含带有特定撑杆的种子文件。第二，为了提高投资回报，粘液杠杆
使用 TimeLIME 缺陷减少工具进行实验
AI 算法在 SE 研究和实践中的使用频率越来越高。此类算法通常使用来自 SE 领域之外的数据进行委托和认证。我们是否可以假设此类算法可以“现成”使用（即无需修改）？换句话说，SE 问题是否有特殊之处可以表明使用 AI 工具的不同且更好的方法？为了回答这些问题，本文报告了使用 TimeLIME 的实验，TimeLIME 是 KDD'16 中 LIME 解释算法的变体。LIME 可以就如何更改静态代码属性以减少下一个软件版本中的缺陷数量提供建议。该版本的 LIME 使用内部加权工具来决定在这些建议中包含/排除哪些属性。TimeLIME 使用以下 SE 知识改进了该加权方案：软件以版本形式发布；对软件的不合理更改是以前版本中从未更改过的内容；因此最好使用合理的更改，即在以前版本中具有先例的更改。通过将建议限制在经常更改的属性上，TimeLIME 可以 (a) 产生更好的缺陷原因解释和 (b) 关于如何修复错误代码的更好建议。除了这些关于缺陷减少和 TimeLIME 的具体结果之外，本文更普遍的观点是，我们的社区应该更加谨慎地使用现成的 AI 工具，而无需首先应用 SE 知识。如此处所示，应用这些知识可能并不复杂。此外，一旦应用了 SE 知识，就可以显著改善系统。
STMP157-OLinuXino-LIME2 用户手册
LCD................................................................................................................................................13 GPIO-1..................................................................................................................................................14 GPIO-2..................................................................................................................................................15 GPIO-3..................................................................................................................................................16 GPIO-4..................................................................................................................................................17 软件......................................................................................................................................................18 修订历史......................................................................................................................................................19 联系信息................................................................................................................................................20
