XiaoMi-AI文件搜索系统
World File Search SystemSHapley
锂离子电池SOH预测，深度学习通过可解释的机器学习增强
本研究中使用的方法可以帮助电池开发人员将不同的操作策略与电池老化联系起来。We use inputs such as temperature (T), current (I), and state of charge (SOC) and utilize a feature transforma- tion technique which generates histogram-based stressor features representing the time that the battery cells spend under operational conditions, then investigate the performance of DNN models along with explainable machine learning (XML) techniques (e.g., SHapley Additive exPlanations) in predicting LiB SOH.比较分析利用了广泛的开源数据集来评估LSTM，GRU和FNN等深度学习模型的性能。预测以两种不同的模式执行：一个将预测的周期限制为520，另一个将预测扩展到了电池第一寿命的结束（SOH = 80％）。
用于早期预测的机器学习模型的临床验证和优化
方法：从2019年10月1日至2020年9月30日之间，从中国三级医院的2,329例成年患者组成的同类中收集了数据。选择了36个临床特征作为模型的输入。我们通过机器学习（ML）方法训练了模型，包括逻辑回归，决策树，随机森林（RF），多层感知器和光梯度增强。我们评估了五个ML模型的性能，评估指标为：ROC曲线（AUC）下的面积，准确性，F1得分，灵敏度和特异性。在2020年10月1日至2022年4月1日之间，另一批2,286例患者的数据被用来验证模型在内部验证集中表现最佳的模型。Shapley添加说明（SHAP）方法用于评估特征重要性并解释该模型的预测。
在线研究 @ Cardiff - Orca
定量解释逐渐的语义下的论证强度最近引起了人们的关注。具体来说，文献中的一些作品通过构成参数的归因分数提供了定量解释。这些作品无视攻击和支持的重要性，尽管它们在解释论点的力量时起着至关重要的作用。在本文中，我们提出了一种新颖的关系归因理论（RAES），将Shapley的价值从游戏理论中调整，以提供精细元素的见解，以介绍攻击和支持在定量的两次论证中的作用，以获得获得论点的优势。我们表明，RA可以满足几种可降低的特性。我们还提出了一种概率算法以有效地近似RA。最后，我们显示了RAE在欺诈检测和大型语言模型案例研究中的应用值。
基于机器学习的风险预测模型，以预测免疫异常的孕妇流产
方法：通过电子病历（EMR）收集了出现在四川省人民医院的免疫临床妊娠患者。数据分为训练集，测试集分别为8：2。进行了比较，以评估用于临床应用的传统怀孕风险评估工具的性能。该分析涉及评估临床治疗的成本效益，评估模型的性能并确定其经济价值。数据采样方法，特征筛选和机器学习算法用于开发预测模型。这些模型使用训练集的10倍交叉验证对这些模型进行了验证，并使用boottrapping进行了测试集的外部验证。模型性能由特征曲线（AUC）下的区域评估。基于最佳参数，开发了流产风险的预测模型，并使用Shapley添加剂扩展（SHAP）方法来评估最佳模型特征贡献。
用可解释的AI
摘要：入侵检测系统（IDS）对于识别网络攻击并为每种风险采取适当的措施至关重要。机器学习（ML）技术的效率在存在无关的特征和阶级失衡的情况下被妥协。在这项研究中，提出了有效的数据预处理策略，以增强模型的普遍性。使用K-均值Smote解决类别的差异。之后，我们提供了一种混合特征选择方法，该方法结合了过滤器和包装器。此外，通过改变最佳特征子集来分析超参数调整的光梯度增强机（LGBM）。实验使用了数据集 - UNSW-NB15和CICIDS-2017，其精度分别为90.71％和99.98％。由于模型的透明度和概括性很大程度上取决于理解预测的每个组成部分，因此我们采用了可解释的人工智能（XAI）方法，Shapley添加说明（SHAP）来提高对预测结果的理解。
不确定需求条件下绿色供应链金融利益分配研究
摘要：随着环保意识的增强，绿色供应链金融得到广泛认可，然而由于利益分配机制不完善导致其发展受阻。因此本研究尝试将这一理念融入到绿色供应链金融中，以更好地解决不确定环境下的利益分配问题，并基于夏普利值法构建了多目标绿色供应链金融利益分配模型。根据研究结果，当企业预期利润超过指标利润时，将运用夏普利值法合理配置资源。此外，通过政府监管，也将提高帕累托效率，这不仅可以解决企业开展绿色金融时的公平冲突，还可以保证资源的公平分配，使资源的使用更加有序。
2024/25 夏季研究项目摘要
项目摘要：在这个项目中，我们旨在通过先进的深度学习技术从可穿戴脑电图 (EEG) 数据中解码人脑信号。我们的方法包括清理和预处理原始 EEG 数据以确保其质量，然后尝试各种深度学习模型，包括卷积/循环神经网络 (CNN/RNN) 和 LSTM，以准确分类人脑信号。我们使用准确度、精确度、召回率和 F1 分数等综合指标评估这些模型，并采用交叉验证以确保稳健的性能。为了增强我们模型的可解释性，我们专注于 SHapley Additive exPlanations (SHAP)、Local Interpretable Model-agnostic Explanations (LIME) 和 Grad-CAM 等方法，为决策过程提供见解。我们将提供 EEG 数据集，该数据集已获得适当的伦理批准，是我们之前使用消费者可穿戴设备进行的研究收集的。加入我们，共同打造未来的酷炫科技！
根据前景理论评估物流企业的安全标准化绩效的框架
为了评估物流安全标准系统的性能，我们提出了一个基于绩效评估理论的评估框架。首先，我们构建物流企业安全标准系统的绩效评估指标。它基于现有的绩效评估指标，并与物流安全标准系统的施工目标相结合。第二，我们结合了三角模糊的数量和前景理论，以根据绩效评估指标的特征来确定指标状态。然后，我们使用Choquet积分，模糊方法和Shapley Value方法来评估信息，以考虑指标的相互作用。第三，我们使用熵和模糊分析层次结构过程来确定专家的体重。汇总了物流企业安全标准系统的绩效评估信息以获得评估结果。最后，提出的框架通过示例分析验证。结果表明，所提出的框架可用于评估物流企业安全标准系统的性能。
通过特征处理方案优化药物 - 目标亲和力预测方法
结果：在这项研究中，为了获得具有高精度和强大可解释性的模型，我们利用了各种传统和尖端的特征选择和降低维度降低技术来处理自我相关特征和相邻的相关特征。然后将这些优化的特征送入学习排名以实现有效的DTA预测。在两个常用数据集上进行的广泛实验结果表明，在各种特征优化方法中，基于回归树的特征选择方法对于构建具有良好性能和稳健性的模型是最有益的。然后，通过利用Shapley添加说明值和增量功能选择AP-PRACH，我们可以获得高质量的功能子集由前150D特征组成，而Top 20D功能对DTA预测产生了突破性的影响。总而言之，我们的研究彻底验证了DTA预测中特征优化的重要性，并作为构建高性能和高解释模型的灵感。