XiaoMi-AI文件搜索系统
World File Search Systemacceptable
生成人工智能在出版中的作用。什么是可以接受的，什么是不可接受的。
毫无疑问，生成式人工智能 (AI) 是近年来媒体上的热门话题。这最初是由 ChatGPT 和其他平台的流行和广泛使用推动的，这些平台可根据用户输入的提示生成书面材料、图像甚至音频/视频作品。AI 将生成式人工智能定义为：“一种使用机器学习算法来创建新的原创内容（如图像、视频、文本和音频）的人工智能” [1]。这些技术进步如何影响我们的科学出版界？具体来说，在撰写出版的科学文章时，何时使用此类工具是合适的，或许更重要的是，何时不适合？严格来说，每当文字处理器建议一种更好的句子措辞方式时，基础人工智能就会被应用到写作中。从更复杂的层面来看，作者可以使用大型语言模型 (LLM) 将粗略撰写的草稿提交给生成式 AI 平台，然后可以生成更复杂的书面输出并最终提交。如果英语课的学生提交了这样一篇作业，而这堂课的目的是教学生如何写好文章，那么这种使用 AI 的行为可能构成作弊。然而，当作者使用 AI 来帮助润色他们的作品以供出版时，这应该是完全合适的，因为这样的应用程序可以增强作品，帮助读者更好地理解和欣赏这些作品。我们的期刊最近开始为我们的作者提供使用“综合写作和出版助手”来改进他们的投稿的选项。投稿作者应该看到我们与 Paperpal 飞行前筛选工具合作的服务链接。只需支付非常合理的费用，该工具就可以对上传的手稿草稿进行翻译、释义、一致性和期刊提交准备情况检查。这项服务对一些可能难以满足我们的语言要求标准的国际作者特别有用。在另一个适用于出版的场景中，假设同行评审员希望使用 AI 来评估投稿。你可能会问：“等等，AI 能做到吗？”当然可以！但这可以接受吗？确实有一些平台在公开的生物医学出版物上进行了训练，因此 AI 能够查找参考文献来帮助同行评审员评估稿件。也许同行评审员只是需要帮助开始撰写评审的第一稿，或者他们可能觉得作者的语言技能需要很多帮助，就像前面的情况一样。然而，这里的一个主要区别是，当同行评审员在其中一个平台上上传稿件时，他们会违反保密规定，这是不可接受的。美国国立卫生研究院不允许将 AI 用于资助申请的同行评审 [ 2 ]，这种技术也不应用于出版同行评审，因为当作者的手稿上传到第三方平台时，也会发生同样的保密性泄露。Hosseini 和 Horbach (2023) 指出的其他担忧是“ LLM 的训练数据、内部运作、数据处理和开发过程的根本不透明性”，这可能导致“潜在的偏见和评审报告的可重复性” [3]。因此，将指示 JECT 同行评审员在进行评估时不要依赖此类系统。此外，编辑不会仅使用 AI 工具就任何手稿的最终结果做出决定。为了帮助作者驾驭这一新领域，JECT 将努力在我们的《作者须知》中提供新的指导，就像其他期刊目前正在实施的那样 [4]。其他期刊推荐的一些原则，我们可能会采用，包括：
对laurus tamala叶提取物的研究为1M HCl中软钢的环境可接受的腐蚀抑制剂：电化学，DFT和
laurus tamala叶提取物（LTLE）已在1M盐酸培养基中用作软钢腐蚀抑制剂。化学（减肥）和电化学研究，以评估提取物的腐蚀速率和抑制效率百分比。电化学极化结果表明，植物叶提取物作为混合型抑制剂的功能。通过减肥方法在升高的温度下测试抑制剂的稳定性。通过吸附机制来解释腐蚀抑制机制，并且LTLE成分遵守软钢的Langmuir吸附等温线。通过FT-IR技术评估提取物的组件的相互作用。分别通过SEM，AFM和水接触角技术来表征表面形态，粗糙度和疏水性。根据减肥方法记录，24小时的最高抑制效率为96.21％。此外，DFT计算通过电子供体 - 受体相互作用揭示了抑制剂的吸附。
人工智能和机器人技术在医疗保健领域的“可接受的未来”
摘要 人工智能和机器人技术备受关注，包括医疗和护理领域技术驱动的乌托邦和反乌托邦未来愿景。基于对英国、欧洲、美国、澳大利亚和新西兰的 30 名科学家、临床医生和其他利益相关者的采访，本文探讨了那些从事开发和使用人工智能和机器人应用的人如何描述其未来的前景、潜力和挑战。我们探讨了这些专业人士如何表达和驾驭围绕人工智能和机器人技术的一系列高期望和低期望以及承诺和谨慎的未来愿景。我们认为，通过这些表达和导航，他们构建了自己对社会和道德上“可接受的未来”的看法，这些看法由“期望伦理”构成。这为设想的未来赋予了规范性，并与当前背景相关联。我们以期望社会学的现有工作为基础，旨在更好地理解专业人士如何驾驭和管理技术科学期望。这尤其及时，因为新冠肺炎疫情进一步推动了这些技术的发展。
升级版 ArmylgnitED 中的士兵补偿信息指南 1. 补偿行动。a. 士兵如果收到电子邮件通知或 ArmylgnitED 消息，要求对任何财政年度 (FY) 的学费援助 (TA) 或认证援助 (CA) 资助课程进行补偿，则必须在公布的暂停日期之前完成补偿方法，该日期在其 TA/CA 请求中注明。如果没有公布成绩，则暂停日期为最终成绩到期日后的 30 个日历日，或不及格成绩公布日后的 30 天。补偿方法包括一次性付款、工资扣除计划（最长 6 个月）或补偿豁免请求（仅适用于“W”等级）。如果士兵在暂停日期之前未处理这三种方法中的一种，则将启动默认的一次性付款。士兵必须在公布的暂停日期之前完成他们的补偿行动。b. 对于成绩不合格的 FY22 及更早课程。本科成绩为 D 及以下、研究生成绩为 C 及以下的 TA 课程的补偿豁免请求仅针对 FY22 及更早课程进行考虑。打算为成绩不合格的 FY22 或更早课程申请补偿豁免的士兵仍必须在 ArmylgnitED 中选择补偿付款方式（一次性付款或工资扣除计划）并在 30 天的暂停期内提交补偿豁免请求包。在此消息之前已在 ArmylgnitED 中收到补偿通知的士兵必须在 2 月 15 日之前提交补偿豁免包。只有当 ACCESS 不批准他们的补偿豁免请求时，才会使用士兵选择的补偿偿还方法。追偿豁免请求包必须提交至以下电子邮件地址 - usarmy.knox.hrc.mbx.tagd-aces@army.mil，并包括以下内容：
升级版 ArmylgnitED 中的士兵补偿信息指南 1. 补偿行动。a. 士兵如果收到电子邮件通知或 ArmylgnitED 消息，要求对任何财政年度 (FY) 的学费援助 (TA) 或认证援助 (CA) 资助课程进行补偿，则必须在公布的暂停日期之前完成补偿方法，该日期在其 TA/CA 请求中注明。如果没有公布成绩，则暂停日期为最终成绩到期日后的 30 个日历日，或不及格成绩公布日后的 30 天。补偿方法包括一次性付款、工资扣除计划（最长 6 个月）或补偿豁免请求（仅适用于“W”等级）。如果士兵在暂停日期之前未处理这三种方法中的一种，则将启动默认的一次性付款。士兵必须在公布的暂停日期之前完成他们的补偿行动。b. 对于成绩不合格的 FY22 及更早课程。本科成绩为 D 及以下、研究生成绩为 C 及以下的 TA 课程的补偿豁免请求仅针对 FY22 及更早课程进行考虑。打算为成绩不合格的 FY22 或更早课程申请补偿豁免的士兵仍必须在 ArmylgnitED 中选择补偿付款方式（一次性付款或工资扣除计划）并在 30 天的暂停期内提交补偿豁免请求包。在此消息之前已在 ArmylgnitED 中收到补偿通知的士兵必须在 2 月 15 日之前提交补偿豁免包。只有当 ACCESS 不批准他们的补偿豁免请求时，才会使用士兵选择的补偿偿还方法。追偿豁免请求包必须提交至以下电子邮件地址 - usarmy.knox.hrc.mbx.tagd-aces@army.mil，并包括以下内容：
emar 21 amc&gm - 可接受的手段
协调要求、可接受的合规手段、指导材料以及国际认可的共识标准是欧洲军事适航标准化倡议的核心。自 2008 年以来，EDA 领导的军事适航当局 (MAWA) 论坛制定并发布了欧洲军事适航要求和支持文件，以促进主管国家军事适航当局之间的合作和相互认可。
太阳能发电场和相邻的工业电池存储设施的累积效应是不可接受的。
• 乌特尔斯福德的政策 ENV5 还规定，只有在评估了在以前开发的场地或现有开发限制内进行开发的机会后，才允许开发最佳和用途最广泛的农业用地。如果需要开发农业用地，开发商应寻求使用质量较差的地区，除非其他可持续性考虑另有建议。
思考不可思议的：人类种系基因组编辑在道德上是如何可以接受的？
在线存放在白玫瑰研究中的重用项目受版权保护，除非另有说明，否则保留所有权利。可以下载和/或印刷供私人学习，或者按照国家版权法所允许的其他行为。发布者或其他权利持有人可以允许进一步复制和重新使用全文版本。这是通过该项目的白玫瑰研究在线记录的许可信息来指示的。
![通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。](/simg/d/dd5abf0752fcc9f891dc4a96743f916f96f28350.png)
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
有效的能量存储功率控制以扩展分布式生成中可接受的发电机频率
摘要。燃气螺旋和气活塞发电机组（GS）广泛用于分布式生成（DG）设施。国际GS制造商以缩小可接受范围（AR）的方式配置继电器保护（RP）并导致正确运行的RPS实现不必要的断开连接。已经表明，当携带DG设施的微电网岛岛并发生功率不平衡时，会观察到最严重的干扰。当电动机分组开始时；当GS的95％的产出时；当3相短路发生在一个岛的网格段中时。储能单元（ESU）是解决许多动力工程问题的最新且非常成功的解决方案。此处的作者已经开发了一种方法，该方法可以独立控制ESU的主动和反应性，以避免不必要的GS断开连接，否则这将是由于频率短期偏差而引起的；这将有助于可靠地向岛屿微电网的使用者传递电力。仿真结果表明，ESU的使用有助于有效扩展生成器集的可接受范围。有关于向ES提取技术要求的建议。提出的ESU功率控制方法的一个重要优点是，它不需要在线调整ES接收控制动作（CA）以进行频率偏差。
合成数据与人工智能医疗设备的创新、评估和监管 Puja Myles，公共卫生硕士、博士；Johan Ordish，文学硕士；Richard Branson，理学硕士、文学硕士 摘要 合成数据是模仿真实数据的属性和关系的人工数据。它有望促进数据访问、验证和基准测试，解决缺失数据和欠采样、样本增强以及在临床试验中创建对照组的问题。英国药品和保健产品管理局 (MHRA) 正在利用其目前对高保真合成数据开发的研究，制定其对经过合成数据训练的人工智能医疗设备的监管立场，并将合成数据作为人工智能医疗设备验证和基准测试的工具。 关键词 人工智能作为医疗设备 (AIaMD)、数据隐私、健康数据、合成数据、验证、监管 简介 人工智能 (AI) 在医疗和社会保健领域的应用预计将会兴起，这意味着人工智能作为医疗设备 (AIaMD) 将成为医疗设备中越来越突出的子类别。 1 因此，医疗器械法规是否适合人工智能变得越来越重要，制造商是否了解并遵守其义务也变得越来越重要，其中最主要的是证明其 AIaMD 具有良好的效益风险比。2 强大的数据集是展示 AIaMD 性能的核心，通常是此类设备开发的主要障碍。3 医疗器械监管机构有责任确保制造商拥有履行这些义务所需的工具，并提供更广泛的支持以鼓励此类创新设备的开发。合成数据集的开发很可能成为这样一种辅助工具。本文概述了 MHRA 在研究和开发合成数据方面的努力，并考虑在更广泛的改革背景下使用合成数据，以确保医疗器械法规适用于人工智能。合成数据概况 近年来，人们对合成数据的兴趣日益浓厚，原因有很多，包括在数据治理法规更加严格的世界中可能易于获取、保护患者隐私、在机器学习算法背景下的基准测试和验证能力，以及解决真实数据局限性的能力，如数据缺失、欠采样和样本量小。4 更重要的是，尽管合成数据的潜在应用已经讨论了多年，但直到最近，合成数据生成方法的进步才能够产生高质量的合成数据。5 定义合成数据 从概念上讲，合成数据是模仿真实数据的属性和关系的人工数据。合成数据的质量取决于生成合成数据的方法。合成数据的质量通常用其“效用”或“保真度”来描述。“能够捕捉各种数据字段之间复杂的相互关系以及真实数据的统计特性的合成数据集可称为“高实用性”或“高保真度”合成数据集。在患者医疗保健数据方面，高保真度合成数据集将能够捕捉复杂的临床关系，并且在临床上与真实患者数据难以区分。高效用合成数据的生成往往需要大量资源，并且根据需要合成数据的应用，使用低效用或中等效用合成数据可能是可以接受的。
合成数据与人工智能医疗设备的创新、评估和监管 Puja Myles，公共卫生硕士、博士；Johan Ordish，文学硕士；Richard Branson，理学硕士、文学硕士 摘要 合成数据是模仿真实数据的属性和关系的人工数据。它有望促进数据访问、验证和基准测试，解决缺失数据和欠采样、样本增强以及在临床试验中创建对照组的问题。英国药品和保健产品管理局 (MHRA) 正在利用其目前对高保真合成数据开发的研究，制定其对经过合成数据训练的人工智能医疗设备的监管立场，并将合成数据作为人工智能医疗设备验证和基准测试的工具。 关键词 人工智能作为医疗设备 (AIaMD)、数据隐私、健康数据、合成数据、验证、监管 简介 人工智能 (AI) 在医疗和社会保健领域的应用预计将会兴起，这意味着人工智能作为医疗设备 (AIaMD) 将成为医疗设备中越来越突出的子类别。 1 因此，医疗器械法规是否适合人工智能变得越来越重要，制造商是否了解并遵守其义务也变得越来越重要，其中最主要的是证明其 AIaMD 具有良好的效益风险比。2 强大的数据集是展示 AIaMD 性能的核心，通常是此类设备开发的主要障碍。3 医疗器械监管机构有责任确保制造商拥有履行这些义务所需的工具，并提供更广泛的支持以鼓励此类创新设备的开发。合成数据集的开发很可能成为这样一种辅助工具。本文概述了 MHRA 在研究和开发合成数据方面的努力，并考虑在更广泛的改革背景下使用合成数据，以确保医疗器械法规适用于人工智能。合成数据概况 近年来，人们对合成数据的兴趣日益浓厚，原因有很多，包括在数据治理法规更加严格的世界中可能易于获取、保护患者隐私、在机器学习算法背景下的基准测试和验证能力，以及解决真实数据局限性的能力，如数据缺失、欠采样和样本量小。4 更重要的是，尽管合成数据的潜在应用已经讨论了多年，但直到最近，合成数据生成方法的进步才能够产生高质量的合成数据。5 定义合成数据 从概念上讲，合成数据是模仿真实数据的属性和关系的人工数据。合成数据的质量取决于生成合成数据的方法。合成数据的质量通常用其“效用”或“保真度”来描述。“能够捕捉各种数据字段之间复杂的相互关系以及真实数据的统计特性的合成数据集可称为“高实用性”或“高保真度”合成数据集。在患者医疗保健数据方面，高保真度合成数据集将能够捕捉复杂的临床关系，并且在临床上与真实患者数据难以区分。高效用合成数据的生成往往需要大量资源，并且根据需要合成数据的应用，使用低效用或中等效用合成数据可能是可以接受的。