XiaoMi-AI文件搜索系统
World File Search Systemcategorization
研究简报 - 可解释的人工智能和房地产 v2
鉴于 ML 的巨大潜力，令人惊讶的是，它们在许多领域的应用速度比纯技术角度预期的要慢得多。在经济数据分析中，ML 作为计量经济学回归分析和基于聚类的分类任务的扩展而表现出色。然而，由于这些方法通常被认为是不透明的，它们所谓的黑箱特性一再受到批评。某些用例（例如基于 AI 的信贷申请决策支持）可能会改善和加速银行的业务运营，但是否批准或拒绝抵押贷款的唯一决定缺乏责任感，并且不能代表任何相关方的满意结果。因此，解释 ML 模型的内部工作原理对于证明和验证如何做出某个决定以及产生新的见解至关重要（Adadi & Berrada，2018）。
人工智能中的偏见与公平性回顾
决策系统的自动化导致了人工智能 (AI) 使用中的隐藏偏见。因此，解释这些决策和确定责任已成为一项挑战。因此，出现了一个新的算法公平性研究领域。在这个领域，检测偏见并减轻偏见对于确保公平和无歧视的决策至关重要。本文的贡献包括：(1) 对偏见进行分类，以及偏见与人工智能模型开发的不同阶段（包括数据生成阶段）的关系；(2) 修订公平性指标以审核数据和用它们训练的人工智能模型（在关注公平性时考虑不可知模型）；(3) 对减轻人工智能模型开发不同阶段（预处理、训练和后处理）偏见的程序进行新的分类，并增加有助于生成更公平模型的横向行动。
如何计算和更新 DRG 费率（OEI-09-00-00200
PPS 的一个关键部分是将医疗和外科服务分类为诊断相关组 (DRG)。DRG 将治疗特定疾病患者所需的服务（人工和非人工资源）“捆绑”在一起。DRG 支付率涵盖了大多数归因于患者护理的常规运营成本，包括常规护理服务、食宿以及诊断和辅助服务。19 CMS 根据向特定疾病患者提供护理（捆绑服务）的“平均”成本来制定支付率。DRG 费率并未明确包括直接医学教育成本、门诊服务或 Medicare B 部分涵盖的服务。20 2002 财政年度，有 499 个 DRG 的预期价格基于特定 DRG 下治疗患者所使用的平均资源。21
大脑与其 DNN 模型之间的算法等效程度
深度神经网络 (DNN) 已成为一种强大且日益普遍的人类认知建模工具，并且经常产生类似的行为。例如，凭借其受大脑启发的分层计算组织，DNN 似乎以与人类相同的方式对现实世界的图像进行分类。这是否意味着它们的分类算法也相似？我们将问题框定为三个嵌入程度，逐步限制算法相似性评估：(i) 行为/大脑反应的等价性（这是当前的做法）、(ii) 处理以产生这些结果的刺激特征的等价性（这更具约束性）以及 (iii) 处理这些共享特征的算法的等价性（最终目标）。为了改进 DNN 作为认知模型的功能，我们为每个程度开发了一个越来越受约束的基准，该基准指定了考虑等价性的认识论条件。
房地产市场分析的可解释的机器学习
鉴于ML的巨大潜力，令人惊讶的是，它们在许多领域的吸收要比从纯技术效率的角度看待的要慢得多。在经济数据分析中，ML擅长计算回归分析和基于群集的分类任务的扩展。但是，由于这些方法通常被认为是不透明的，因此他们所谓的黑匣子角色反复受到批评。某些用例（例如基于AI的信用申请的决策支持）可能会改善和加速银行的业务运营，但还需要增加复制现有结构和决策模式中固有的隐藏偏见的风险。因此，解释ML模型的内部运作对于证明决策并产生新的见解至关重要（Adadi＆Berrada，2018）。
电池储能系统 (BESS) 的温室气体排放量核算
例如，零售终端客户会把他们从电力公司购买和消费的电力所产生的温室气体排放归类为范围 2 排放。但是，为这些客户生产电力的电力公司会把相关的温室气体排放归类为范围 1 直接排放。这样，范围分类有助于防止范围 1 和 2 内的组织之间重复计算排放量。然而，范围 3 的温室气体排放并非如此。通过在不同范围内报告相同的排放源，电力供应商和终端消费者可以避免对温室气体排放源的排放责任做出混淆和/或矛盾的主张。附录 A 提供了按范围组织的电力行业公司典型温室气体排放源的示例。
t细胞多样性：将事实与小说分开2/12/24
t细胞群是异质的。现代的生物医学技术允许对T细胞多样性进行洞察力，并具有未经证实的粒度，阐明了细胞表型的细微差异，代谢重新布线或受体克隆型。这样的精细映射可能一方面质疑T细胞常规亚型的保真度。另一方面，可以说将T细胞分类为粗糙的，调用的“垃圾箱”仍然被证明是有用的，并且可以对基本生物学过程或成功的免疫疗法进行再生预测。现代技术甚至可能因产生仅仅是自我实现的预言并想象没有功能性关系的人工异质性而受到批评。在这个研讨会中，T细胞研究领域的领导者将报告T细胞多样性的不同风味，从而尝试将事实与小说分开。
检测卷积神经网络...
摘要 - 花园环境中物体的检测和分类是应考虑的必要支持，这不仅是因为它促进了花朵的分类，还因为它减少了所需的时间，因为它不再需要专家进行。卷积神经网络的使用在所有领域都在上升，无论是在汽车行业，牲畜，航空等。这是由于它们的特征，它利用人工智能培训来实现对物体的精确检测和分类，但是所有这些方法的成本都很高，并且任何人都无法操纵。该资源的实施，与Yolov8算法并肩作用，代表了花型检测和分类领域的显着进步。关键字：分类，花卉农场，卷积神经网络，Yolo，Python，Roboflow，人工智能。
如何计算和更新 DRG 费率 (OEI-09-00-00200
PPS 的一个关键部分是将医疗和外科服务分类为诊断相关组 (DRG)。DRG 将治疗特定疾病患者所需的服务（人工和非人工资源）“捆绑”在一起。DRG 支付率涵盖了大部分归因于患者护理的常规运营成本，包括常规护理服务、食宿以及诊断和辅助服务。19 CMS 根据向特定疾病患者提供护理（捆绑服务）的“平均”成本来制定支付率。DRG 费率未明确包括直接医学教育成本、门诊服务或 Medicare B 部分涵盖的服务。20 2002 财政年度，有 499 个 DRG 的预期价格基于特定 DRG 下治疗患者所使用的平均资源。21
在“无意识”状态下，我们真的无意识吗？重新审视常见假设
在意识科学领域，传统上将某些状态（例如慢波非快速眼动睡眠和深度全身麻醉）归类为“无意识”。虽然这种分类乍一看似乎合理，但仔细调查发现它并非如此简单。鉴于（1）（无）意识的行为迹象可能不可靠，（2）（无）意识的主观报告可能不可靠，以及（3）假定为无意识的状态并不总是没有报告的体验，我们有理由重新审视我们对“无意识状态”的传统假设。虽然这些问题并不新颖，而且可能部分是语义上的，但它们对科学进步和临床实践都有影响。我们建议，专注于提供更务实和更细致入微的不同实验条件特征的方法可能会促进该领域的清晰度，并帮助我们为未来的研究奠定更坚实的基础。