XiaoMi-AI文件搜索系统
World File Search SystemShapley
通过移动储能系统和电源交易增强随机多微晶运营灵活性
随着可再生能源高渗透率引起的净负荷的不确定性和变异性的增加，单个微电网（MG）的独立操作正面临着巨大的操作问题，例如高运营成本，局部可再生能源的自我消耗率低，而局部可再生能源的自我消费率低，并且加剧了峰值和山谷负载。在本文中，提出了一种用于互连多微晶（MMG）的移动能源存储系统（MYS）和基于功率交易的灵活性增强策略，考虑到不确定的可再生能源生成。混乱可以通过卡车在不同的微电网之间移动，我们使用这种时间 - 空间灵活性为MMG提供充电/放电服务。然后，由于确保在协作操作中的公平性和合理性，Aumann -Shapley是为了在MMG系统中分配了MMG系统的费用和电力交易，这是最重要的。之后，从风险规避的角度来看，未提供的预期功率（EPN）和预期功率削减（EPC）是评估不确定的可再生能源的风险措施。数值研究表明，MMG操作的混乱使柴油发电机的总运营成本减少了23.58％，风和太阳能的总网格连接量的改善增加了7.17％，总负载曲线的平滑度提高了0.92％。此外，用于MMG操作的互连系统可以使风和太阳能的总网格连接量增加6.69％，并且与未连接的系统相比，总负载曲线的平滑度提高了1.50％。
已发布版本的引文 (APA)：Shafiabady, N.、Hadjinicolaou, N.、Hettikankanamage, N.、MohammadiSavadkoohi, E.、Wu, RMX 和 Vakilian, J. (2024)。可解释人工智能 (XAI) 用于提高组织规范性。PLoS One，19（4 月 4 日），1-21。文章 e0301429。https://doi.org/10.1371/journal.pone.0301429
自疫情爆发以来，各组织一直在积极寻求提高组织敏捷性和弹性 (regility) 的方法，并转向人工智能 (AI) 来获得更深入的理解并进一步提高其敏捷性和弹性。各组织正在将人工智能作为实现这些目标的关键推动因素。人工智能通过快速准确地分析大型数据集来增强组织的能力，从而实现更快的决策并建立敏捷性和弹性。这种战略性地使用人工智能为企业带来了竞争优势，并使其能够适应快速变化的环境。如果不优先考虑敏捷性和响应能力，可能会导致成本增加、错失机会、竞争和声誉受损，并最终导致客户、收入、盈利能力和市场份额的损失。可以通过利用可解释的人工智能 (XAI) 技术来确定优先级，阐明人工智能模型如何做出决策并使其透明、可解释和可理解。基于之前关于使用人工智能预测组织敏捷性的研究，本研究重点关注将可变形人工智能技术（例如 Shapley 加法解释 (SHAP)）整合到组织敏捷性和弹性中。通过确定影响组织敏捷性预测的不同特征的重要性，本研究旨在揭开使用可变形人工智能的预测模型的决策过程的神秘面纱。这对于人工智能的道德部署、在这些系统中培养信任和透明度至关重要。认识组织敏捷性预测中的关键特征可以指导公司确定要集中精力在哪些领域以提高其敏捷性和弹性。
考虑使用用户虚拟发电厂设备联盟游戏的虚拟发电厂的两阶段优化计划
摘要：分布式可再生能源，负载和电源可以汇总到虚拟发电厂（VPP）中，以参与能源市场交易并产生额外的收入。为了更好地协调VPP中各个实体之间的交易关系，本文建议为VPPS的两阶段优化模型，该模型考虑用户-VPP设备联盟。首先，从VPP的基本结构开始，建议将VPP中的联盟分为两个联盟：需求端用户-VPP和供应端设备-VPP。和VPP优化框架考虑了用户VPP设备联盟的合作游戏。然后，考虑到用户-VPP设备联盟的合作游戏，建立了VPP的两阶段优化模型。日前的优化模型将经济和社会利益视为双重目标，并且室内优化模型旨在最大程度地减少偏差罚款成本。其次，考虑到VPP中各个实体的风险水平和全面的边际收益，采用了一种拟合分布方法，该方法结合了改善的沙普利价值观和独立的风险贡献理论来分配VPP的总收入。案件结果表明，运营成本已降低5.75％，环境成本降低了4.46％，总利润率增加了29.52％。模型可以提高VPP的整体效率。
医疗人工智能工具箱（MAIT）
机器学习提供了适合探索各种医学研究问题的多种技术，但具有凝聚力的协同框架可以促进对统一模型开发和解释中新方法的整合和理解。因此，我们引入了医学人工智能工具箱（MAIT），这是一种可解释的开源Python管道，用于在表格数据集上开发和评估二进制分类，回归和生存模型。MAIT解决了关键挑战（例如，高维度，类不平衡，混合变量类型和缺失），同时促进报告中的透明度（Tripod+AI兼容）。为初学者提供自动配置，并为专家提供可自定义的源代码，MAIT简化了两个主要用例：Discovery（通过统一评分通过统一评分的特征重要性，例如Shapley添加性解释 - Shap -Shap）和预测（模型开发和使用具有优化解决方案的模型开发和部署）。此外，MAIT提出了新技术，包括对二进制分类中概率阈值的微调，将累积危险曲线转换为二进制分类的翻译，对混合数据类型的模型解释的增强可视化以及通过半纯粹的学习进行审查，以适应广泛的数据约束和研究设计。我们使用四个开放访问数据集在GitHub上提供详细的教程，以证明如何使用MAIT来改善医学研究中ML模型的实施和解释。
医疗人工智能工具箱（MAIT）
机器学习提供了适合探索各种医学研究问题的多种技术，但具有凝聚力的协同框架可以促进对统一模型开发和解释中新方法的整合和理解。因此，我们引入了医学人工智能工具箱（MAIT），这是一种可解释的开源Python管道，用于在表格数据集上开发和评估二进制分类，回归和生存模型。MAIT解决了关键挑战（例如，高维度，类不平衡，混合变量类型和缺失），同时促进报告中的透明度（Tripod+AI兼容）。为初学者提供自动配置，并为专家提供可自定义的源代码，MAIT简化了两个主要用例：Discovery（通过统一评分通过统一评分的特征重要性，例如Shapley添加性解释 - Shap -Shap）和预测（模型开发和使用具有优化解决方案的模型开发和部署）。此外，MAIT提出了新技术，包括对二进制分类中概率阈值的微调，将累积危险曲线转换为二进制分类的翻译，对混合数据类型的模型解释的增强可视化以及通过半纯粹的学习进行审查，以适应广泛的数据约束和研究设计。我们使用四个开放访问数据集在GitHub上提供详细的教程，以证明如何使用MAIT来改善医学研究中ML模型的实施和解释。
13 I 2025年1月https://doi.org/10.22214/ ...
1,2技术科学学院 - Sebha 3高级技术工程研究所 - Sebha摘要：随着人工智能（AI）继续推动各个领域的进步，AI模型中对解释性的需求变得越来越重要。许多最先进的机器学习模型，尤其是深度学习体系结构，都是“黑匣子”，使他们的决策过程难以解释。可解释的AI（XAI）旨在提高模型透明度，确保AI驱动的决策是可以理解的，可信赖的，并且与道德和监管标准保持一致。本文探讨了AI解释性的不同方法，包括本质上可解释的模型，例如决策树和逻辑回归，以及诸如Shap（Shapley添加说明）和Lime（局部可解释的模型 - 敏捷的解释）之类的事后方法。此外，我们讨论了解释性的挑战，包括准确性和可解释性之间的权衡，可伸缩性问题以及特定领域的要求。本文还重点介绍了XAI在医疗保健，金融和自治系统中的现实应用。最后，我们研究了未来的研究方向，强调了混合模型，因果解释性和人类协作。通过培养更容易解释的AI系统，我们可以增强数据科学应用程序中的信任，公平性和问责制。关键字：可解释的AI（XAI），可解释性，机器学习，黑盒模型，模型透明度，摇摆，石灰，道德AI，可信赖的AI，事后解释性，偏置缓解性，调节性，监管合规性，人类 - ai相互作用。
AI在预测不良药物反应中的作用
摘要在药物宣传中引入人工智能可能是预测不良药物反应并提高患者安全性的变革步骤。使用结构化电子健康记录（EHR）数据和非结构化社交媒体数据，我们评估了三种AI模型，梯度增强，卷积神经网络（CNN）和长期记忆（LSTM）网络的预测能力。我们使用多个性能指标（AUC-ROC，灵敏度，特异性，F1分数）评估模型，以评估其预测各种患者人口统计学的ADR的能力。我们发现CNN是社交媒体数据的最佳分类器，其AUC-ROC为0.91和90％的敏感性，并且梯度提升是结构化EHR数据的最佳分类器，其AUC-ROC为0.89。特征重要性分析和Shapley加性解释（SHAP）提供了模型的解释性，并表明患者年龄，药物类型和剂量是重要的预测因子。分析确定了自然语言处理（NLP）在从非结构化数据源中提取ADR信号以补充传统药物宣传方法的潜力。该研究旨在根据道德数据隐私和模型透明度考虑来满足监管标准。这项工作表明，AI模型可以提高ADR预测准确性，并有助于主动的患者安全方法。准确性和可解释性之间的权衡将应用于临床应用，并探索了数据标准化和混合AI模型的未来方向。
应用能源 - Refubium - 柏林自由大学
为支持能源转型和遏制气候变化，全球范围内的举措已导致过去十年安装的可再生分布式发电机 (DG) 数量大幅增长，其中光伏 (PV) 系统是增长最快的技术。然而，众所周知，电网中光伏渗透率高会导致电压波动和线路拥塞等许多运行问题，这些问题可以通过利用光伏系统的无功功率能力来缓解。为此，我们建议使用人工神经网络 (ANN) 来预测光伏系统中的最佳无功功率调度，方法是以集中式或分散式的方式从交流最优功率流 (ACOPF) 解决方案中学习近似输入输出映射。在分散控制的情况下，我们利用可解释人工智能 (XAI) 技术 Shapley 加法解释 (SHAP) 来识别对每个单独系统的最佳调度有显著影响的非本地电网状态测量值。通过基于 CIGRE 中压配电网的案例研究，对集中式和分散式 ANN 控制器进行了评估，并与基线控制策略进行了比较。结果表明，两种基于 ANN 的控制器均表现出优异的性能，可防止基线策略遇到的电压问题和线路拥塞，同时与固定功率因数控制相比，可节省 0.44% 的能源。通过利用 ANN 和 SHAP，所提出的用于无功功率控制的分散式控制器能够实现 ACOPF 级性能，同时促进数据隐私并减少计算负担。
可解释的早期机器学习框架......
摘要 — 中风是脑血管的一种严重神经缺陷，当部分脑部血液供应不足或停止使脑细胞缺氧时就会发生。它会导致各种形式的身体失衡。它是全世界导致疾病和死亡的主要原因之一。20-25% 的中风幸存者有严重的损伤，这与死亡风险增加有关。及早识别众多中风警告信号可以预防中风。在本研究中，我们开发了一种基于集成学习的机器学习架构，能够分析中风患者数据集并准确预测和识别中风特征。首先，收集中风数据集，然后使用合成少数过采样技术 (SMOTE) 来平衡它。然后，我们实施了几种机器学习技术，例如决策树、朴素贝叶斯、K 最近邻、随机森林、极端梯度提升、多层感知器、Ada Boost 和我们提出的集成框架。在优化超参数后，我们提出的框架在所有机器学习分类器中表现出最高的准确率 (99.90%)。我们使用机器学习 (信息增益、相关性和缓解 F) 和统计特征选择技术将年龄、BMI、平均血糖水平、心脏病确定为重要的中风指标。使用 SHapley Additive exExplanations (SHAP) 方法来确定每个属性对模型结果的影响。我们相信我们提出的框架可以帮助医生和临床医生开处方并尽早发现潜在的中风。
能源报告 - | sinbad2
本研究的目的是研究低碳可再生能源项目的成本管理策略。本文通过评估不同的成本管理来增加可再生能源投资项目，做出了重要贡献。根据本研究的分析结果，可以提出减少碳排放问题的方法。此外，本研究的另一个重要贡献是生成一种基于毕达哥拉斯模糊 DEMATEL、TOPSIS 和 Shapley 值的新型混合模型，以找到改进这些项目的适当政策。此外，使用 VIKOR 方法测量了所提模型对每种合作成本管理策略的准确性。此外，还通过连续改变标准的加权结果，对 TOPSIS 和 VIKOR 方法的 5 个案例进行了敏感性分析。确定所提出的模型是连贯的，适用于进一步的研究。此外，敏感性分析的排序结果也与不同情况一致。结果表明，对于太阳能替代品，内部流程始终具有最低成本。此外，对于风能替代品，客户是成本最低的因素。因此，显然，提高员工的资质对于太阳能项目的改进至关重要。此外，通过为客户提供重要性，可以提高风能投资的有效性。此外，还得出结论，当合作水平提高时，投资效率会更高。另一个重要观点是，如果投资者倾向于制定弱或强合作成本管理策略，他们应该主要关注太阳能项目，因为与其他替代方案相比，它们的成本较低。© 2021 作者。由 Elsevier Ltd. 出版。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/）。