XiaoMi-AI文件搜索系统
World File Search SystemLIME
可解释人工智能（XAI）驱动的振动传感方案，用于智能表面磨削过程中的表面质量监测
局部可解释和模型无关解释 (LIME) 是一种可解释的人工智能 (XAI) 方法，用于识别智能磨削过程中预测平均表面粗糙度 (Ra) 的全局重要时频带。智能磨削装置包括一台 Supertech CNC 精密表面磨床，配备一个 Dytran 压电加速度计，沿切线方向 (Y 轴) 安装在尾座主轴上。每次磨削时，都会捕获振动特征，并使用 Mahr Marsurf M300C 便携式表面粗糙度轮廓仪记录地面真实表面粗糙度值。在整个实验中，粗糙度值范围为 0.06 至 0.14 微米。提取磨削过程中收集的每个振动信号的时间频域频谱图帧。建模卷积神经网络 (CNN) 以基于这些频谱图帧及其图像增强来预测表面粗糙度。最佳 CNN 模型能够预测粗糙度值，总体 R2 分数为 0.95，训练 R2 分数为 0.99，测试 R2 分数为 0.81，仅使用 80 组振动信号（对应 4 次实验，每次 20 次试验）。虽然数据量不足以保证在现实场景中达到这样的性能指标，但可以提取这些复杂的深度学习模型捕获的关系背后的统计一致的解释。在开发的表面粗糙度 CNN 模型上实施了 LIME 方法，以识别影响预测的重要时频带（即频谱图的超像素）。基于在频谱图帧上确定的重要区域，确定了影响表面粗糙度预测的相应频率特性。基于 LIME 结果的重要频率范围约为 11.7 至 19.1 kHz。通过基于重要频率范围并考虑奈奎斯特标准将采样率从 160 kHz 降低到 30、20、10 和 5 kHz，证明了 XAI 的强大功能。通过仅提取低于其相应奈奎斯特截止值的时间频率内容，为这些范围开发了单独的 CNN 模型。通过比较模型性能提出了一种适当的数据采集策略，以论证选择足够的采样率来成功且稳健地捕捉磨削过程。© 2023 制造工程师协会 (SME)。由 Elsevier Ltd. 出版。保留所有权利。这是一篇根据 CC BY-NC-ND 许可开放获取的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）由 NAMRI/SME 科学委员会负责同行评审。关键词：卷积神经网络；可解释机器学习；XML；可解释人工智能；XAI；局部可解释和模型无关解释；LIME；表面粗糙度；表面磨削；光谱图
增强效率氮肥作为控制的工具...
肥料和石灰应用约占田纳西州大多数行农场预算（tiny.utk.edu/ fieldcropbudgets）总支出的20％。氮（N）肥料的使用量最大，代表超过一半的izer和石灰支出。鉴于对N肥料进行了大量投资，需要实施最佳管理实践以实现应用程序的效率和盈利能力。采用声音管理实践将减少与不适当的N肥料施用相关的潜在环境风险。田纳西州大多数行农作物生产商的典型n管理实践是将剩余的n肥料的推荐n分为推荐n的三分之一。图1显示了玉米植物在生长季节的氮吸收，而最活跃的n摄取时期发生在V8至V14生长阶段。因此，建议在V4到V6生长阶段玉米中的n侧n，
用于可解释的肺部疾病分类的可解释 AI 模型
摘要 — 在本文中，我们通过区分新型冠状病毒疾病 (COVID-19) 或其他疾病引起的肺部不透明样本与正常病例，开发了一个从胸部 X 光片图像中识别肺部疾病的框架。我们执行图像处理任务、分割并训练定制的卷积神经网络 (CNN)，在分类准确性方面获得合理的性能。为了解决这种复杂分类模型的黑箱性质，这种性质成为应用此类基于人工智能 (AI) 的方法自动化医疗决策的主要障碍，引起了临床医生的怀疑，我们解决了使用基于分层相关性传播 (LRP) 的方法定量解释我们采用的方法的性能的需要。我们还使用了基于像素翻转的稳健性能指标来评估我们采用的 LRP 方法的可解释性，并将其性能与其他可解释方法进行比较，例如局部可解释模型不可知解释 (LIME)、引导反向传播 (GB) 和深度泰勒分解 (DTD)。索引术语 — 深度学习、可解释 AI、分层相关性传播、LIME、深度泰勒分解、引导反向传播、医学诊断、胸部 X 光检查、COVID-19。
用回归分析示例测试调解
下载宏后，将其保存在已知位置，您可以指定确切的路径。创建一个新的语法文件，然后打开您的数据集，或者添加get file ='您的数据集位置和文件名命令'命令'到语法文件的开头，以指定数据文件的位置。1然后添加以下命令（使用过程版本4.3语法对此进行了测试），替换了我的x（初始预测器），y（最终结果）和M（介体）的变量名称的变量名称，并将其替换为语法文件：cd“ c：\ jason \ temp”。插入file ='c：\ jason \ spsswin \ macros \ process.sps'。执行。过程y = hrs /x = age /m = islsum /total = 1 /boot = 10000 /seed = 10000 /model = 4 /stand = 1。执行。确保插入文件命令指向您保存的进程宏的确切位置。然后，在语法窗口中突出显示整个语法，然后运行。输出输出的第一部分（用星号线标记）给出了上图中描述的每个直接回归系数，并且与您在SPSS中使用通常的回归命令所获得的直接回归系数相同。The bootstrap tests of the indirect effect are found in the final section under the heading " TOTAL, DIRECT, AND INDIRECT EFFECTS OF X ON Y " and then under the subheading " Indirect effect(s) of X on Y :", where Effect gives the average estimate for indirect effect from the bootstrap samples, BootSE gives the standard error estimate, and BootLLCI and BootULCI are 95% confidence limits.如果95％的置信度限制包括零，则间接效应测试并不重要。2运行矩阵过程：************** SPSS版本4.3.1 ************************************************************************************** ************ www.afhayes.com文档可在Hayes（2022）提供。www.guilford.com/p/hayes3 *******************************************************************************************************************************************型号：4 y：hrs x：hrs x：age m：islsum样本1 mac的位置没有驱动器和前进的字母和前进的范围，'/subfie in your subfiled limer lime lime of subfiled lime'偏置校正（“加速置信度限制”），因为偏置校正的极限可能具有I型错误率略有升高（Fritz，Taylor和Mackinnon，2012; Hayes＆Scharkow，2013年）。
海报：AUTOLYCUS：利用可解释人工智能 (XAI) 对决策树模型进行模型提取攻击
模型反转 [1] 和模型提取（窃取）攻击 [2] 是先进的对抗技术，可危及机器学习 (ML) 模型的安全和隐私。这些攻击从模型中提取敏感信息，例如训练数据和超参数。出于对日益增长的安全和隐私问题的担忧，文献中研究了越来越多的 ML-as-a-service 系统，这些系统提供使用机密数据训练的 ML 模型以及这些模型的可公开访问的查询界面。对黑盒 AI 模型可解释性的研究引发了一个新的研究课题可解释人工智能 (XAI) [3]。XAI 旨在描述难以被人类理解的 AI 模型的内部工作原理，以便可以描述模型的准确性、公平性、透明度和结果 [4]。其中一种方法是局部可解释模型不可知解释 (LIME) [5]，它通过围绕该样本生成局部替代数据集来识别给定样本的最重要特征（影响 AI 的决策）。通过结合 XAI 产生的额外漏洞，可以增强对抗性 ML 攻击的能力。因此，我们提出了一种名为 AUTOLYCUS 的新型模型提取攻击，它使用来自 LIME 的模型解释来生成比最先进的攻击更少的查询，以揭示决策树模型的决策边界，并将这些边界提取到本地训练的代理模型。AUTOLYCUS 还可以从其他资源获得的样本中获取信息。这些资源可能包括先前采样的查询和其他数据集。我们演示
一种定量方法，用于比较添加性局部解释方法
局部添加说明方法越来越多地用于了解复杂机器学习（ML）模型的预测。最常用的广告方法，塑造和石灰，遭受文献中很少测量的局限性。本文旨在使用六个定量指标来衡量对OpenML数据集（304）数据集的这些限制，还评估了基于新兴联盟的方法来解决其他方法的弱点。我们在特定的医疗数据集（Sa Heart）上说明和验证结果。我们的发现表明，石灰和沙普的大约在高维度上特别有效，并产生了可理解的全球解释，但是在更改方法的pa-rameters时，它们缺乏精确度，并且可能是不需要的行为。基于联盟的方法在高维度上在计算上昂贵，但提供了更高质量的本地解释。最后，我们提出了一个路线图，总结了我们的工作，指出了最合适的方法，具体取决于数据集维度和用户的目标。
报告 - 共享电子驾驶员系统运营商的合同奖
A.该理事会授权市政府工作人员与Lime Technology Inc.共享的E-Scooter System Services的协议，最初的五（5）年，该城市的选择延长了三（3）个额外的五年（5年），最高总期限为二（20）年。该合同预计将对城市成本中立。该市将在合同期间不会向运营商提供任何财务贡献。B.该理事会授权其授权该市法律服务总监，首席采购官和工程服务总经理。
![农业和土地管理部[21]](/simg/g:\will\search\icon\source\6\6b0319f63685501da14209c24237cc9bf2284079.webp)
农业和土地管理部[21]
第 43 章 肥料和农用石灰 43.1(200) 除 N、P 和 K 以外的其他植物营养元素 43.2(200) 要求标明的警告 43.3(200) 专用肥料标签 43.4(200) 肥料中的农药 43.5(200) 注销或暂停登记或许可 43.6(200) 无水氨的储存和处理标准 43.7(200) 地下水保护费 43.8 至 43.19 保留 43.20(201) 农用石灰 43.21(200) 肥料和土壤改良剂登记的最低要求 43.22(200) 产品临时登记 43.23(200) 产品登记审查 43.24(200) 产品声明 43.25 至 43.29 保留43.30(201A) 定义 43.31(201A) ECCE 的测定 43.32(201A) 取样程序 43.33(201A) 样品分析 43.34(201A) 样品费用 43.35(201A) 认证 43.36(201A) 认证合规性 43.37(201A) 标签 43.38(201A) 禁止使用有毒物质 43.39(201A) 添加材料 43.40(201A) 蛋壳