XiaoMi-AI文件搜索系统
World File Search SystemModels
解释模型
人们通常必须在太复杂的环境中做出决定，无法理解。政策制定者评估其潜在治疗效果的社会计划是异质性，高度非线性或溢出的社会计划。监管机构为复杂的人工智能模型设计规则，而在社会中部署了这些模型，而没有真正知道这些模型的工作方式。对决策者的有用是多么有用，可以理解其环境的解释？在本文中，我们通过考虑决策者（此后DM）的问题来研究这个问题，该决策者遇到了一个太复杂而无法理解的模型，而必须依靠对其进行解释。DM的收益取决于其行动和世界状态，在这些行动和输入中描述了后者。输入遵循已知分布，单个真实模型指定输入和输出之间的关系。例如，这种真实的模型可能是自然界中发生的相关数据生成过程（DGP），或者是由复杂的人工系统（例如大型统计或人工智能（AI）模型）引起的DGP。我们设置的关键新颖特征是，真实模型的空间比DM可以理解的可理解模型的空间大得多。例如，真实模型的空间可能包含所有深神经网络，但是可理解模型的空间可能仅包含n级多项式。要使DM将有关真实模型的信息合并到其选择的选择中，必须首先通过将其映射到可理解的模型来解释真实模型。同样，regu-将重点放在DM中掩盖模型的主要因素上，我们抽象出可能在此解释过程中涉及的任何抽样误差。我们需要遵守两个标准的真实模型空间和可理解模型的空间（我们称为解释器）之间的映射。首先，如果真实模型已经可以理解，则解释器不应用不同的模型来解释它。第二，如果真实模型是由独立于状态的随机设备生成的两个模型的混合物（例如，一个模型持有一半的时间；另一个模型，另一半），则真实模型的解释应该是这两个模型的解释的混合。一起，这些标准等于解释器是对可理解模型空间的真实模型的线性投影。此类包含用于解释模型的大多数工具，包括政策评估中的线性回归和机器学习中的本地近似值。本文的设置捕捉了许多情况，在这些情况下，决策者面对需要解释的符合模型。，例如，决策者经常评估其治疗效果（输出）取决于受影响人群（输入）的人口特征（输入）（真正的模型），而决策者必须选择要实施的程序（行动）。
扩散模型
[FEL49] William Feller。“关于随机过程的理论，对应用的尤为参考”。：1949年。URL：https：// api。Spenticscholar.org/corpusid:121027442。[SE19] Yang Song和Stefano Ermon。“通过估计数据分布梯度来生成建模”。in：神经信息处理系统的进步32（2019）。[HJA20] Jonathan Ho，Ajay Jain和Pieter Abbeel。“降级扩散概率模型”。in：神经信息处理系统的进步33（2020），pp。6840–6851。[儿子+20] Yang Song等。“通过stochastic微分方程基于得分的生成建模”。in：arxiv预印arxiv：2011.13456（2020）。[DN21] Prafulla Dhariwal和Alexander Nichol。“扩散模型在图像合成上击败了gans”。in：神经信息过程的进步34（2021），pp。8780–8794。[Kin+21] Diederik Kingma等。“变化扩散模型”。in：神经信息处理系统的进步34（2021），pp。21696–21707。[HS22] Jonathan Ho和Tim Salimans。“无分类器扩散指南”。in：arxiv预印术：2207.12598（2022）。[CHI+23] Cheng Chi等。“扩散策略：通过行动扩散进行视觉策略学习”。in：arxiv预印术：2303.04137（2023）。
基于蛋白质的Josephson Junction
大气和海洋模型基于计算流体动力学。在以下内容中，我们将解释什么是气候模型及其建立方式。本文试图强调这些模型的假设和固有局限性。第一个气候模型是根据天气预报模型开发的。开创性研究中提出的最初的问题[1]是“如果我们在几天内将大气模型整合到时间长的时间内会发生什么？”数值气氛是否达到平衡？，如果是，这个平衡看起来像现实？这些称为通用循环模型（GCM）的大气模型基于Navier -Stokes方程，并在1950年代初开发了[2]，这要归功于计算机的开发。这些模型能够模拟大气气候的大规模循环和基本特征，然后由Manabe和Wetherald [3]用作数字实验室，以评估气候上二氧化碳大气浓度加倍的EFF。值得注意的是，由于
