XiaoMi-AI文件搜索系统
World File Search Systemcess
量子多模型拟合 - CVF 开放获取
几何模型拟合是一个具有挑战性但又十分基础的计算机视觉问题。最近，量子优化已被证明可以增强单模型情况的稳健拟合，同时多模型拟合的问题仍未得到解决。为了应对这一挑战，本文表明后一种情况可以从量子硬件中显著受益，并提出了第一种多模型拟合 (MMF) 的量子方法。我们将 MMF 表述为一个问题，现代绝热量子计算机可以对其进行有效采样，而无需放宽目标函数。我们还提出了一种迭代和分解版本的方法，该方法支持真实世界大小的问题。实验评估在各种数据集上都显示出有希望的结果。源代码可在以下位置获得：https://github.com/FarinaMatteo/qmmf 。
员工 eOPF 访问权限
通过电子邮件通知将文件添加到 eOPF。当文件添加到员工的 eOPF 时，员工将收到电子邮件通知。如果您有政府电子邮件地址，则该地址已在您的 eOPF 记录中更新。没有政府电子邮件地址的员工可以联系其服务 CPAC 或 NAF HRO，以提供个人电子邮件地址，以便通知。
直接金属沉积中基于神经网络的过程模型的迁移学习
增材制造工艺在工业领域越来越重要。特别是直接金属沉积 (DMD) 是一种很有前途的制造技术，因为它可以实现广泛的应用，例如从头开始制造零件、在传统加工的原始零件上添加材料，甚至高效修复高价值零件 [1]。除了许多优点外，该工艺的可控性仍然很困难，导致内部缺陷、几何偏差或微观结构不均匀。相变、粉末-气体动力学和参数不确定性等多种物理现象会影响工艺行为并使工艺处理复杂化。因此，需要进行大量的实验活动来确定具有可接受几何和材料性能的工艺参数
以人为本的可解释人工智能过程模型
引言人工智能 (AI) 的发展已展现出令人瞩目的性能，特别是在图像处理或游戏等明确定义的领域。然而，所部署的技术对于人类用户来说可能是不透明的，这引发了一个问题：人工智能系统如何提供解释 (Neerincx 等人，2018 年；Rosenfeld 和 Richardson，2019 年)，并且监管框架对可解释人工智能 (XAI) 的需求日益增长。话虽如此，2017 年，谷歌的研究主管 Peter Norvig 指出，在人类可能不擅长提供“解释”的情况下期望计算机提供“解释”是具有讽刺意味的。可解释人工智能 (XAI) 的大部分工作都严重依赖于以计算机为中心的视角 (Springer，2019 年)。例如，Holzinger 等人 (2020) 假设人类和人工智能系统可以平等地访问“基本事实”。由此可见，可解释性“……突出了机器表示中与决策相关的部分……，即有助于模型在训练中的准确性或特定预测的部分。”与许多 XAI 文献一样，这并没有为人类提供任何角色，只能作为被动接受者。这意味着人工智能系统能够反省自己的过程来生成解释。然后将得到的解释呈现给用户，并描述人工智能系统的流程或它使用过的特征（“决策相关部分”）。这样，解释就只是一个建议（来自人工智能系统）加上与此相关的特征。正如 Miller (2017) 所指出的那样，这种态度的一个问题在于，它是基于设计师对什么是“好的”解释的直觉，而不是基于对人类如何响应和利用解释的合理理解。这并不能说明为什么选择某些特征，也不能说明为什么建议适合用户的关注点。它也没有将解释置于更广泛的组织中；分析师的解释可能与数据收集管理人员或接受分析师简报的经理的解释不同。对于 Holzinger 等人 (2020) 来说，情况的各个方面（定义为基本事实）被组合成一个陈述；也就是说，解释只是这个陈述的一种表达。这意味着从特征到解释存在线性插值。这类似于 Hempel 和 Oppenheim (1948) 的“覆盖定律模型”，该模型关注的是历史学家如何根据先前的原因来解释事件。然而，“基本事实”（由 Holzinger 的过程模型和覆盖定律模型假设）很少得到完全定义（导致在选择相关特征时产生歧义）。这意味着，仅仅陈述情况方面而不说明为什么选择这些方面（而不是其他方面）可能不会产生有用或可用的解释。霍夫曼等人（2018）对与解释相关的文献进行了全面的回顾。从这篇评论来看，解释涉及人类的理解（将人工智能系统的输出置于特定情境中），我们同意，考虑这一点的适当框架是数据框架的理解模型（Klein 等人，2007）。此外，理解（及其与解释的关系）依赖于认识到过程（提供和接收解释）必须是相互的、迭代的和协商的。这个过程依赖于“解释者”和“被解释者”达成一致。换句话说，解释涉及“共同点”（Clark，1991），其中理解上有足够的一致性以使对话继续进行。对话的性质将取决于提供解释的情况和被解释者的目标。例如，被解释者可能是“受训者”，他试图理解解释以学习决策标准，也可能是“分析师”，使用人工智能系统的建议作为政策。
eko.ai Pte. Ltd. d/b/a Us2.ai - accessdata.fda.gov
我们已审查了您根据第 510(k) 条提交的上述器械上市意向通知，并确定该器械与 1976 年 5 月 28 日（即《医疗器械修正案》颁布日期）之前在州际贸易中合法销售的同类器械或已根据《联邦食品、药品和化妆品法案》（法案）的规定重新分类且无需获得上市前批准申请 (PMA) 批准的器械基本相同（就附件中所述的使用指征而言）。因此，您可以根据该法案的一般控制规定销售该器械。虽然本函将您的产品称为器械，但请注意，一些已获准的产品可能是组合产品。位于 https://www.accessdata.fda.gov/scripts/cdrh/cfdocs/cfpmn/pmn.cfm 的 510(k) 上市前通知数据库可识别组合产品提交。该法案的一般控制条款包括年度注册、设备清单、良好生产规范、标签以及禁止贴错标签和掺假的要求。请注意：CDRH 不会评估与合同责任担保相关的信息。但我们提醒您，设备标签必须真实，不得误导。
人工智能与创造力的内部过程
能够产生创造性成果的人工智能 (AI) 系统正在重塑我们对创造力的理解。这种转变为创造力研究人员提供了一个重新评估创造过程关键组成部分的机会。特别是，人工智能的先进能力凸显了研究创造力内部过程的重要性。本文探讨了这些内部过程背后的神经生物学机制，并描述了创造力的体验成分。结论是，尽管人工智能和人类创造力的产物可能相似，但内部过程却不同。本文还讨论了人工智能如何对人类创造力的内部过程产生负面影响，例如技能的发展、知识的整合和思想的多样性。
材料动态过程的时间分辨断层扫描
层析成像是分析内部成分排列的一种方法。医学可能是利用这种方法并推动其发展的最著名学科。[1–3] 然而，层析成像也已应用于其他研究领域，如材料科学[4,5]、生物学[6]、考古学[7]甚至流体动力学[8]，并且在工业领域也越来越受到认可，例如用于质量控制[9]或无损检测[10]。图像采集与实时重建算法[11]、高级图像分析[12]、特征分割和识别分析算法[13,14]与现代机器学习工具[15,16]的结合增强了这种方法的潜力。如今，实验室扫描仪普及且功能强大，受益于改进的空间和时间分辨率，尽管尖端实验仍然局限于高亮度同步加速器和X射线自由电子激光器。可以在极短的时间内获得高空间分辨率。[17,18] 对高空间和时间分辨率、大视野和高总记录时间的需求意味着目标的冲突。文献中概述了不同设备可用的实际速度和分辨率。[19–21]