XiaoMi-AI文件搜索系统
World File Search SystemLipton
开发和试验 AI 系统中可解释性的方法
概述：人工智能 (AI) 技术在许多领域越来越重要 (Russell and Norvig, 2020)。与此同时，对已部署的 AI 系统的透明度的需求正在兴起，包括通过对 AI 决策的解释 (Goodman and Flaxman, 2017)。尽管围绕该主题的研究兴趣急剧增加 (Lipton, 2018)，但可解释人工智能 (XAI) 尚无标准或普遍接受的定义。从广义上讲，XAI 可以理解为包括任何使 AI 系统的利益相关者能够理解和信任该系统的过程/工具/方法。AI 系统正在许多环境中开发和部署，而人们越来越期望 AI 系统能够自主运行 (Biran and Cotton, 2017)。机器学习 (ML) 尤其已用于各种任务，现在已渗透到日常生活中。利益相关者需要理解和信任 AI 系统的输出（例如建议或行动）现在是一个关键问题。相反，缺乏透明度和可解释性是进一步采用 AI 系统的主要障碍（Gunning 和 Aha，2019 年）。在许多情况下，AI 系统的建议和行动可能至关重要（例如在安全领域或医疗诊断中）。用户不仅需要知道输出，还需要知道给出该输出的原因（Tjoa
重新思考核心和认知不确定性
鉴于它们的使用规模，这些想法在文献中并没有连贯地讨论。基于模型的预测与生成数据生成过程之间的界限反复模糊（Adlam等，2020； Amini等，2020； Ayhan＆Berens，2018； Collier等，Collier等，2020; Immer等，2021; Kapoor等，2022; Kapoor等，2022; 2022; Liu等，2022; Maver et al，2022; Mafor-Parker et al，2022; Mavor et al，2022; 2022; nim，2022; nin，2022; Inn，2022； ;史密斯＆gal，2018年；Different mathematical quantities are used to refer to notionally the same concepts: epistemic uncertainty, for example, has received multiple definitions, including variance-based measures ( Gal , 2016 ; Kendall & Gal , 2017 ; McAllister , 2016 ), information- based measures ( Gal et al , 2017 ), ad-hoc reinterpretations of information-based measures ( Shen et al , 2018 ; Siddhant & Lipton , 2018 ) and基于距离的措施（Mukhoti等，2021，2023; van Amersfoort等，2020）。在预测不确定性和准确性之间提出了误导连接（Orlando等，2019； Wang等，2019）。关于预测性不确定性将如何在看不见的数据上分解的脆弱假设（Seeb - Ock等，2019； Wang＆Aitchison，2021）。
就业花旗
课程vita名称：Giti Emtiazi出生日期：1954年11月23日当前地址：生物学系ISFAHAN大学P.O.Box 117 ISFAHAN，81745伊朗电话： +98-31-37932457电子邮件：emtiazi@sci.ui.ui.ac.ir，emtiazi@yahoo.com教育：1989-19993 PH.D.英国利兹大学微生物学博士学博士学位1978-1980 M.Sc. ，《生物学》，霍夫斯特拉大学，纽约，美国，1974- 1978年B.Sc. in Biology, Razi University, Iran Marital Status: Married since 1980, having one boy and one girl Husband (M.H.Habibi, Professor of Chemistry) Language Knowledge: Persian, English and Turkish Professional Experiences: 1980-1989 Faculty member of Biology, Isfahan University, Iran 1993-1997 Assistant Professor of Microbiology, Isfahan University, Iran 1997-2002 Associate Professor of微生物学，伊斯法罕大学，伊朗，2002年 - 现已成为伊朗伊斯法恩大学的微生物学教授，伊朗研究兴趣：环境微生物学，生物技术和遗传学奖。收到的：1978年，伊朗大学奖学金的奖学金和奖学金1978年，伊朗大学的奖学金奖学金和奖学金，在伊朗大学的奖学金中，在霍夫斯特拉大学毕业，毕业于霍夫斯特拉大学，或者是霍夫斯特拉大学的奖学金，或者是霍夫斯特拉大学的出色奖学金，或1989年，英国利兹大学的Tetly and Lipton奖，2002年伊朗伊斯法罕大学杰出教授，2006年伊斯法汉大学伊斯法汉大学杰出研究员，2011Box 117 ISFAHAN，81745伊朗电话： +98-31-37932457电子邮件：emtiazi@sci.ui.ui.ac.ir，emtiazi@yahoo.com教育：1989-19993 PH.D.英国利兹大学微生物学博士学博士学位1978-1980 M.Sc.，《生物学》，霍夫斯特拉大学，纽约，美国，1974- 1978年B.Sc. in Biology, Razi University, Iran Marital Status: Married since 1980, having one boy and one girl Husband (M.H.Habibi, Professor of Chemistry) Language Knowledge: Persian, English and Turkish Professional Experiences: 1980-1989 Faculty member of Biology, Isfahan University, Iran 1993-1997 Assistant Professor of Microbiology, Isfahan University, Iran 1997-2002 Associate Professor of微生物学，伊斯法罕大学，伊朗，2002年 - 现已成为伊朗伊斯法恩大学的微生物学教授，伊朗研究兴趣：环境微生物学，生物技术和遗传学奖。收到的：1978年，伊朗大学奖学金的奖学金和奖学金1978年，伊朗大学的奖学金奖学金和奖学金，在伊朗大学的奖学金中，在霍夫斯特拉大学毕业，毕业于霍夫斯特拉大学，或者是霍夫斯特拉大学的奖学金，或者是霍夫斯特拉大学的出色奖学金，或1989年，英国利兹大学的Tetly and Lipton奖，2002年伊朗伊斯法罕大学杰出教授，2006年伊斯法汉大学伊斯法汉大学杰出研究员，2011，《生物学》，霍夫斯特拉大学，纽约，美国，1974- 1978年B.Sc.in Biology, Razi University, Iran Marital Status: Married since 1980, having one boy and one girl Husband (M.H.Habibi, Professor of Chemistry) Language Knowledge: Persian, English and Turkish Professional Experiences: 1980-1989 Faculty member of Biology, Isfahan University, Iran 1993-1997 Assistant Professor of Microbiology, Isfahan University, Iran 1997-2002 Associate Professor of微生物学，伊斯法罕大学，伊朗，2002年 - 现已成为伊朗伊斯法恩大学的微生物学教授，伊朗研究兴趣：环境微生物学，生物技术和遗传学奖。收到的：1978年，伊朗大学奖学金的奖学金和奖学金1978年，伊朗大学的奖学金奖学金和奖学金，在伊朗大学的奖学金中，在霍夫斯特拉大学毕业，毕业于霍夫斯特拉大学，或者是霍夫斯特拉大学的奖学金，或者是霍夫斯特拉大学的出色奖学金，或1989年，英国利兹大学的Tetly and Lipton奖，2002年伊朗伊斯法罕大学杰出教授，2006年伊斯法汉大学伊斯法汉大学杰出研究员，2011
卷。 14。否1
抽象的咖啡因一种具有药用特性的刺激性，轻度添加剂药物是某些茶和咖啡中存在的生物活性成分。它自然发生在茶，咖啡因，可可等的叶子，种子或水果中。中度时，它可以增强能量或高度警觉性的感觉，但在高处确实可以带来焦虑和抑郁神经症的条件。在这项研究中，通过UV/VIS分光光度计学方法确定了在Auchi Town中通常出售的7茶和咖啡品牌的咖啡因水平的定量。氯仿用作在274 nm波长下测得的咖啡因的溶剂和浓度。为选定的茶和咖啡样品获得的结果是； 11.56 ppm，30.22 ppm，78.22 ppm的顶级茶，里士满茶和立顿茶。咖啡的效果为138.34 ppm，324.33 ppm，348.22 ppm和388.12 ppm，用于Nescafe Classic，Nescafe Malty，Nescafe，Nescafe Original和Cowbell Coffee。在分析的茶样品中，在牛铃咖啡（388.22 ppm）中发现了最高的咖啡因浓度，而最低的咖啡因浓度（11.56 ppm）。这项研究的结果给出了tenconsumedTeastrinksinnigeria的初步信息。食品和药物管理局和控制建议不超过五杯含咖啡因的茶或咖啡（200 mg）每天关键词：咖啡因，咖啡，茶，uv-vis分光光度计
揭开可解释的AI：理解，透明度...
抽象人工智能（AI）已成为一种变革性的技术，具有革命性的行业和社会的巨大潜力。但是，AI技术的负责任发展，部署和治理需要应对复杂的道德，监管和社会挑战。本研究论文旨在揭开可解释的AI（XAI）的神秘面纱，并探讨其对理解，透明和对AI系统的信任的影响。通过对文献的全面综述，我们研究了XAI的关键概念，方法和应用，以及AI的道德考虑，监管框架，国际合作和社会影响。本文强调了透明度，公平性和问责制在AI治理中的重要性，并强调需要跨学科合作和利益相关者参与，以确保AI技术的负责任和道德发展。通过培养对XAI及其含义的更深入的了解，本文有助于就社会中AI的道德和负责任使用的持续对话。关键词：人工智能，可解释的AI，XAI，透明度，信任，道德考虑，监管框架，国际合作，社会影响，负责AI治理。1。可解释的可解释的人工智能简介（XAI）已成为人工智能领域（AI）领域的研究和发展的关键领域。但是，这些复杂的AI模型通常用作“黑匣子”，这使用户了解他们如何做出决策。近年来，使用先进的算法，例如深度学习神经网络，可以在各种任务中实现出色的性能，包括图像识别，自然语言处理和决策。缺乏透明度会导致不信任，阻碍采用AI技术，并引起人们对公平，问责制和安全的关注（Lipton，2016年）。可解释的AI的定义和重要性是指AI系统为其决策，预测或建议提供可理解的解释的能力。XAI的主要目标是提高透明度，使用户能够理解AI模型的基本机制，并建立对其输出的信任。
临床和遗传预测因素对 erenumab 的反应
1. Dodick DW。偏头痛。柳叶刀。2018；391(10127)：1315-1330。2. Sprenger T、Viana M、Tassorelli C。目前预防偏头痛的药物及其潜在作用机制。神经治疗学。2018；15(2)：313-323。3. Goadsby PJ、Edvinsson L、Ekman R。偏头痛期间人类脑外循环中的血管活性肽释放。神经病学年鉴。1990；28(2)：183-187。4. Goadsby PJ、Edvinsson L。三叉神经血管系统和偏头痛：研究人类和猫的脑血管和神经肽变化。神经病学年鉴。1993；33(1)：48-56。 5. Lassen LH、Haderslev PA、Jacobsen VB、Iversen HK、Sperling B、Olesen J。CGRP 可能在偏头痛中起致病作用。头痛。 2002；22(1)：54-61。 6. Ho TW，Edvinsson L，Goadsby PJ。 CGRP 及其受体为偏头痛病理生理学提供了新的见解。纳特·尼罗尔牧师。 2010；6(10)：573-582。 7. Goadsby PJ、Reuter U、Hallström Y 等人。 erenumab 治疗阵发性偏头痛的对照试验。新英格兰医学杂志。 2017；377(22):2123-2132。 8. Dodick DW、Ashina M、Brandes JL 等人。 ARISE：erenumab 治疗发作性偏头痛的 3 期随机试验。Cephalalgia。2018；38(6)：1026-1037。9. Reuter U、Goadsby PJ、Lanteri-Minet M 等人。erenumab 对既往两至四种预防性治疗无效的发作性偏头痛患者的疗效和耐受性：一项随机、双盲、安慰剂对照的 3b 期研究。Lancet。2018；392(10161)：2280-2287。10. Tepper S、Ashina M、Reuter U 等人。erenumab 用于预防性治疗慢性偏头痛的安全性和疗效：一项随机、双盲、安慰剂对照的 2 期试验。Lancet Neurol。 2017;16(6):425-434。11. Barbanti P、Aurilia C、Egeo G 等人。Erenumab 在预防高频发作性和慢性偏头痛中的作用：Erenumab 在意大利的真实生活中的应用（EARLY），这是意大利首个多中心前瞻性真实生活研究。头痛。2021；61(2):363-372。12. Garces F、Mohr C、Zhang LI 等人。从分子层面深入了解偏头痛预防疗法 Aimovig（Erenumab）对 CGRPR 复合物的识别。Cell Rep。2020；30(6):1714-23.e6。13. Roden DM、McLeod HL、Relling MV 等人。药物基因组学。柳叶刀。2019；394(10197):521-532。 14. 国际头痛学会（IHS）头痛分类委员会国际头痛疾病分类。头痛。2018；38(1):1-211。15. Stewart WF、Lipton RB、Dowson AJ、Sawyer J。开发和测试偏头痛残疾评估（MIDAS）问卷以评估头痛相关残疾。神经病学。2001；56(6 Suppl. 1):S20-S28。16. Houts CR、Wirth RJ、McGinley JS 等人。HIT-6 作为偏头痛患者头痛影响测量标准的内容效度：叙述性综述。头痛。2020；60(1):28-39。17. Cheng S、Jenkins B、Limberg N、Hutton E。Erenumab 治疗慢性偏头痛：澳大利亚经验。头痛。 2020；60(10):2555-2562。
识别与认知正常个体的脑神经变性和血管病理相关的血浆蛋白
1. Jack CR Jr、Bennett DA、Blennow K、Carrillo MC、Framework NIA- AAResearch。阿尔茨海默病的生物学定义。Alzheimers Dement。2018；14：535-562。2. Apostolova LG、Green AE、Babakchanian S 等人。正常衰老、轻度认知障碍 (MCI) 和阿尔茨海默病中的海马萎缩和脑室扩大。Alzheimer Dis Assoc Disord。2012；26(1)：17-27。3. Schröder J、Pantel J。海马萎缩的神经影像学在阿尔茨海默病早期识别中的作用——经过二十年研究的批判性评价。Psychiatry Res Neuroimaging。2016；247：71-78。 4. Seab JP、Jagust WJ、Wong ST、Roos MS、Reed BR、Budinger TF。阿尔茨海默病海马萎缩的定量 NMR 测量。Magn Reson Med。1988；8：200-208。5. Debette S、Schilling S、Duperron MG、Larsson SC、Markus HS。血管性脑损伤磁共振成像标记物的临床意义：系统评价和荟萃分析。JAMA Neurol。2019；76：81-94。6. Prins ND、Scheltens P。白质高信号、认知障碍和痴呆：最新进展。Nat Rev Neurol。 2015；11：157-165。7. Wardlaw JM、Valdés Hernández MC、Muñoz-Maniega S。白质高信号是由什么构成的？与血管性认知障碍的关系。J Am Hear Assoc。2015；4：1140。8. Sundermann EE、Biegon A、Rubin LH、Lipton RB、Landau S、Maki PM。女性在言语记忆方面的优势是否导致人们低估女性与男性的阿尔茨海默病病理？J Alzheimers Dis。2017；56：947-957。9. Sundermann EE、Biegon A、Rubin LH 等。尽管海马萎缩程度相似，但 MCI 女性的言语记忆力优于男性。神经病学。 2016；86：1368-1376。10. Hua X、Hibar DP、Lee S 等。萎缩率的性别和年龄差异：一项基于 n = 1368 次 MRI 扫描的 ADNI 研究。神经生物学衰老。2010；31：1463-1480。11. Ardekani BA、Convit A、Bachman AH。MIRIAD 数据分析显示海马萎缩进展存在性别差异。阿尔茨海默病杂志。2016；50：847-857。12. Burke SL、Hu T、Fava NM。通过海马体积或白质高信号预测轻度认知障碍和疑似阿尔茨海默病发展的性别差异。女性衰老杂志。2019；31：140-164。 13. Kim S、Kim MJ、Kim S 等人。从轻度认知障碍转变为阿尔茨海默病的风险因素的性别差异：一项 CREDOS 研究。Compr Psychiatry。2015；62：114-122。14. Mielke MM、Vemuri P、Rocca WA。阿尔茨海默病的临床流行病学：评估性别和性别差异。临床流行病学。2014；6：37-48。15. Smith BH、Campbell A、Linksted P 等人。队列概况：苏格兰一代：苏格兰家庭健康研究 (GS:SFHS)。该研究、其参与者及其对健康和疾病的遗传研究潜力。国际流行病学杂志。2013；42：689-700。 16. Navrady LB、Wolters MK、MacIntyre DJ 等。群组概况：纵向分层复原力和抑郁 (STRADL) 研究：针对 Generation Scotland 的一项问卷随访：苏格兰家庭健康研究 (GS:SFHS)。国际流行病学杂志。2018；47：13-14g。17. Habota T、Sandu AL、Waiter GD 等人。纵向分层复原力和抑郁 (STRADL) 研究的队列概况：针对 Generation Scotland 的一项以抑郁为重点的调查，使用
![arXiv:2009.05487v3 [cs.AI] 2021 年 8 月 26 日](/simg/g:\will\search\icon\source\3\3c87b68027f137968ab7fa405274c3bf872022b1.png)
arXiv:2009.05487v3 [cs.AI] 2021 年 8 月 26 日
机器学习 (ML) 正在改变着工业、科学和社会。如今，ML 算法可以在理发店预约（Leviathan 和 Matias，2018 年）、根据蛋白质的氨基酸序列确定其 3D 形状（Senior 等人，2020 年），甚至可以撰写新闻文章（Brown 等人，2020 年）。仔细观察这些发展，我们发现模型越来越复杂。不同的 ML 模型以启发式方式堆叠在一起，但理论支持有限（Hutson，2018 年）。在某些应用中，只要算法在大多数情况下表现良好，复杂性可能就不是问题。然而，在社会、认识论或安全关键领域，复杂性可能会排除 ML 解决方案——例如自动驾驶、科学发现或刑事司法。高度复杂算法的两个主要缺点是模糊性问题（Lipton，2018 年）和对抗性攻击（Szegedy 等人，2014 年）。模糊性问题描述了人类对 ML 算法内部运作的有限认知访问，尤其是关于参数的语义解释、学习过程和 ML 决策的人为可预测性（Burrell，2016 年）。这种可解释性的缺乏最近引起了广泛关注，从而催生了可解释人工智能 (XAI) 领域的发展（Doshi-Velez 和 Kim，2017 年；Rudin，2019 年）。人们提出了许多技术来深入了解机器学习系统（Adadi 和 Berrada，2018 年；Doˇsilovi´c 等人，2018 年；Das 和 Rad，2020 年）。与模型无关的方法尤其受到关注，因为与特定于模型的方法不同，它们的应用不限于特定的模型类型（Molnar，2019 年）。全局与模型无关的解释技术（如置换特征重要性（Fisher 等人，2019 年）或部分依赖图（Friedman 等人，1991 年））旨在理解机器学习算法的一般属性。另一方面，局部模型无关解释方法（如 LIME（Ribeiro 等人，2016 年）或 Shapley 值（ˇ Strumbelj 和 Kononenko，2014 年））旨在理解算法在特定区域的行为。解释特定模型预测的一种方法是反事实解释 (CE)（Wachter 等人，2017 年）。CE 通过提供最接近的替代输入来解释预测，该输入将导致不同的（通常是期望的）预测。CE 是我们在本文中研究的第一类对象。对抗性攻击问题描述了这样一个事实：复杂的 ML 算法容易受到欺骗（Papernot 等人，2016a；Goodfellow 等人，2015；Szegedy 等人，2014）。攻击者可以利用此类故障来伤害模特雇主或危及最终用户（Song 等人，2018）。研究对抗性攻击的领域称为对抗性机器学习（Joseph 等人，2018）。如果攻击发生在训练过程中，通过插入错误标记的训练数据，这种攻击称为投毒。如果攻击发生在训练过程之后，通常称为对抗性示例 (AE)（Serban 等人，2020 年）。AE 是类似于真实数据但被训练过的 ML 模型错误分类的输入，例如，乌龟图像被归类为 rière（Athalye 等人，2018 年）。因此，错误分类在这里意味着算法与某些（通常是人类给出的）基本事实相比分配了错误的类别/值（Elsayed 等人，2018 年）。AE 是与我们的研究相关的第二类对象。尽管不透明度问题和对抗性攻击问题乍一看似乎毫无关联，但仍有充分的理由联合研究它们。 AE 显示了 ML 模型失败的地方，检查这些失败可以加深我们对模型的理解（Tomsett 等人，2018 年；Dong 等人，2017 年）。另一方面，解释可以阐明如何改进 ML 算法，使其对 AE 更具鲁棒性（Molnar，2019 年）。缺点是，解释可能包含有关模型的太多信息，从而允许构建 AE 并攻击模型（Ignatiev 等人，2019 年；Sokol 和 Flach，2019 年）。CE 与 AE 的联系比其他解释更强。CE 和 AE 可以通过解决相同的优化问题 1 来获得（Wachter 等人，2017 年；Szegedy 等人，2014 年）：
地形土壤EERC：加速土壤碳...
土壤以有机和无机形式（全球3000亿吨的订单）中存储了大量的碳，这比在大气和陆地上的碳多。由于耕种和侵蚀，在过去一个世纪中，美国1.66亿公顷的农业土壤损失了大量碳，但有明显的潜力可以扭转这一趋势并积极地管理农业土地，并采用从大气中捕获CO 2的策略。Terraforming土壤能量土壤射击研究中心（EERC）将通过有机和无机碳循环途径来研究新的生物和地理工程技术，以了解土壤中的可扩展性和负担得起的CO 2。该中心的总体目标是通过有机和无机途径促进对土壤中的CO 2抽吸的基本了解，测量与土地管理实践有关的土壤C存储能力，耐用性和区域变化。在目标1中，合成生物学工具将用于加速自然存在的植物和微生物性状，这些植物和微生物特征形成了CO 2固定过程，有机物形成和矿物质溶解。组合的基因组测序和同位素追踪方法将用于量化有机物如何随着时间的推移而产生的基本机制以及需要更好地反映在过程模型中的植物和微生物的特征。但目前，土壤风化，土壤生物学和有机物循环之间的相互作用知之甚少。在目标2中，该中心将集中在原发性矿物质和有机物 - 阵营络合物形成期间可能发生的积极相互作用上，这些可能会通过有机和无机途径组合来加速土壤CO 2的巨大潜力。中心的现场和基于实验室的研究将衡量如何将土壤管理方法“堆叠”在一起，从