XiaoMi-AI文件搜索系统
World File Search Systemdifficult
关于人工智能/机器学习研究与开发中的种族与身份问题的艰难讨论指南
适用对象：任何有兴趣与同事讨论更公平的产品研发成果相关主题的人，这些主题涉及有害偏见，尤其是与种族有关的偏见。这些话题可能很难谈论。研究人员开发的这组讨论提示可以成为产品包容性和负责任的人工智能创新等主题资源工具包的有用部分。它可以为刚开始进行这些对话的人服务，也可以为那些更有经验的人提供复习。如果您正在领导一个人工智能研究项目、开发一个产品或担任产品经理，这个工具对于促进与同事的对话特别有用。这个工具对那些参与用户体验的人也很有帮助。如果您阅读了本文档，并且仍然想了解更多关于使用促进公平和包容性的语言的重要性以及它对组织的重要性，请查看《人工智能和机器学习的负责任语言指南》。
![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。
要考虑难度管理的点
摘要背景尽管根据当前的管理建议进行治疗，但类风湿关节炎（RA）患者的比例仍然有症状。这些患者可以被认为具有“难以治疗的RA”。但是，缺乏统一的术语和适当的定义。目的是负责“为难以治疗的类风湿关节炎的全面管理的Eular建议的发展，旨在为这个服务不足的患者组提出建议。在此，我们介绍了难以治疗的RA的定义，作为第一步。方法指导委员会根据风湿病学家的国际调查起草了一个定义，该定义具有建议的术语。在面对面的会议上，在包括风湿病学家，护士，卫生专业人员和患者在内的工作队对此进行了讨论和修改，直到达成足够的协议（通过投票评估）。结论可以在临床实践，临床试验中使用拟议的难以治疗的Eular定义，并可以为将来的研究构成基础。结果所有工作队成员都同意以下三个标准，是难以治疗的RA的定义的强制性要素：（1）根据欧洲反对风湿病（Eular）的建议（EULAR）建议和失败≥2种生物学疾病 - 修改反式药物（DMARDS）/有针对性的合成dmards（与不同的惯例）（在不同机构上）的治疗（除非采取不同的惯例）。禁忌）； （2）至少存在以下至少一个：至少中度疾病活动；表征和/或症状暗示活性疾病；无法锥形糖皮质激素治疗；快速射线照相进展；导致生活质量降低的RA症状； （3）风湿病学家和/或患者认为体征和/或症状的管理被认为是有问题的。
摘要：这次简短交流的目的是，劳动力市场已经变得非常难以预测，很难预测五年、十年甚至更长时间后会是什么样子。新的工作出现了，而其他工作则消失了。所有这些都发生在人工智能（AI）发挥越来越重要作用的背景下，我们很难想象没有它我们的生活会是什么样子，尤其是因为机器人如今拯救了生命。技术已经成为一种必需品，许多工作因机器人技术而发生了变化，我们必须随之发展和适应，尽管由于新型冠状病毒大流行在全球范围内蔓延，劳动力市场的限制和变异带来了新的规则。主要思想反映了奇点假说所反映的可能性，因为新的智能技术可能会改变我们人类的生活，消除一些工作，改变其他工作并创造全新的工作类别，但只要我们知道机会就在我们身边，我们就需要积极主动地提供未来的技能。关键词：劳动力市场；未来工作；Covid-19影响；人工智能；技能；奇点假说。引用方式：Briciu, V.-A. 和 Briciu, A. (2020)。COVID-19 对劳动力市场的影响以及人工智能的未来前景。BRAIN。人工智能和神经科学的广泛研究，11 (2Sup1)，21-28。https://doi.org/10.18662/brain/11.2Sup1/90
摘要：这次简短交流的目的是，劳动力市场已经变得非常难以预测，很难预测五年、十年甚至更长时间后会是什么样子。新的工作出现了，而其他工作则消失了。所有这些都发生在人工智能（AI）发挥越来越重要作用的背景下，我们很难想象没有它我们的生活会是什么样子，尤其是因为机器人如今拯救了生命。技术已经成为一种必需品，许多工作因机器人技术而发生了变化，我们必须随之发展和适应，尽管由于新型冠状病毒大流行在全球范围内蔓延，劳动力市场的限制和变异带来了新的规则。主要思想反映了奇点假说所反映的可能性，因为新的智能技术可能会改变我们人类的生活，消除一些工作，改变其他工作并创造全新的工作类别，但只要我们知道机会就在我们身边，我们就需要积极主动地提供未来的技能。关键词：劳动力市场；未来工作；Covid-19影响；人工智能；技能；奇点假说。引用方式：Briciu, V.-A. 和 Briciu, A. (2020)。COVID-19 对劳动力市场的影响以及人工智能的未来前景。BRAIN。人工智能和神经科学的广泛研究，11 (2Sup1)，21-28。https://doi.org/10.18662/brain/11.2Sup1/90
平衡难度任务查找器：基于心流状态概念的自适应学习任务推荐方法
摘要 本文提出了一种自适应任务难度分配方法，我们称之为平衡难度任务查找器 (BDTF)。其目的是通过平衡学习者的技能和任务难度来向学习者推荐任务，使学习者在学习过程中体验到心流状态。心流是心理学家指某人完全沉浸在某项活动中时的一种心理状态。心流状态是一个多学科的研究领域，不仅在心理学领域，而且在神经科学、教育、体育和游戏中都有研究。本文背后的想法是尝试以类似于 Elo 的国际象棋技能评级（Glickman 在 Am Chess J 3:59–102 中）和 TrueSkill（Herbrich 等人在 Advances in neuro information processing systems, 2006 中）的方式实现匹配游戏玩家的流畅状态，其中“匹配的玩家”应拥有类似的能力和技能，以保持游戏的积极性和参与度。 BDTF 将选择合适的对手或合适的游戏级别与自动选择学习任务的适当难度级别进行了类比。 作为一种智能辅导系统，该方法可用于从在线学习环境和电子学习到传统方法中的学习和记忆技术（例如调整延迟匹配以进行样本和间隔检索训练）的广泛应用，这些训练可用于患有痴呆症等记忆问题的人。
为残疾和学习困难的考生做出的调整 准入安排和合理调整 本手册涵盖以下内容
这些规定反映了整个中心对访问安排的重视。因此，中心负责人、高级领导团队成员、SENCo/评估员† 以及相关 SEN 主管有责任熟悉本文件的全部内容。SENCo 或 FE 学院内同等级别的工作人员必须在教学人员和高级领导团队成员的全力支持下，领导其中心内的访问安排流程。教学人员和高级领导团队成员必须支持 SENCo 确定和实施适当的访问安排。SENCo 必须与教学人员、支持人员（如学习支持助理和教学助理）和考试办公室人员合作，确保为学校内部测试、模拟考试和考试制定经批准的访问安排。在适当的情况下，SENCo 还需要与专业顾问教师和医疗专业人员合作。理想情况下，SENCo 还将是内部指定评估员，因此将评估候选人、在线处理申请并保存证据以供 GCSE 和/或 GCE 资格审查之用。 SENCo 必须与教学人员合作，确定最合适的修改后的试卷发布格式（见第 6 章），使考生能够参加考试。在使用在线访问安排处理申请时，必须使用这些规定。不遵守本文件中的规定可能会构成渎职行为，从而影响考生的成绩。不遵守规定是指实施未经批准的访问安排或允许在中心内实施没有适当证据支持的访问安排。虽然本文件讨论了授予机构做出合理调整和避免对残疾考生不利待遇的义务，但它无法涵盖所有情况。每个案例都将根据其自身的事实来确定什么是合理的。†评估员的定义见第 7 章第 7.3.3 段。
关键词：颗粒介质；流体力学；流变学，CFD；DEM；人工智能；机器学习和神经网络。 背景与目标：该研究项目是圣埃蒂安矿业学院（法国顶级工程学院）与世界核能领导者奥拉诺公司长期合作的一部分。该项目专注于颗粒流建模。这些流体具有不同于传统流体的迷人特征。我们在自然环境（泥流、雪崩……）或工业过程（粉末混合、气力输送、筒仓卸料……）中发现了它们，其中含有各种材料（金属、氧化物、有机化合物……）。我们的研究小组开发了数值策略来高效、快速地模拟涉及大量颗粒（10 6 10 18 ）的工业过程。在这篇博士论文中，候选人将探索人工智能的潜力，以减少使用离散元法 (DEM) 进行模拟所产生的数据量，离散元法通常用于对颗粒物质进行建模。他/她将使用这种简化的信息（例如以本构方程的形式）来为 CFD 模型提供数据。研究结果将发表在该领域的顶级期刊上，并由博士生在国际会议上发表。所需个人资料和技能：至少在以下一个领域拥有理学硕士学位：流体力学、材料物理、软物质物理、数值模拟。您喜欢建模和解决难题
关键词：颗粒介质；流体力学；流变学、CFD；DEM；人工智能；机器学习和神经网络。背景和目标：该研究项目是圣艾蒂安矿业学院（法国顶级工程学院）与世界核能领导者 Orano 长期合作的一部分。该项目专注于颗粒流建模。这些流体具有与传统流体不同的迷人特征。我们在自然环境（泥流、雪崩……）或工业过程（粉末混合、气动输送、筒仓排放……）中发现它们，其中有各种材料（金属、氧化物、有机化合物……）。我们的研究小组开发了数值策略来高效、快速地模拟涉及大量粒子（10 6 10 18 ）的工业过程。在这篇博士论文中，候选人将探索人工智能的潜力，以减少使用离散元法 (DEM) 进行模拟生成的数据量，离散元法通常用于对颗粒物质进行建模。他/她将使用这种简化的信息（例如以本构方程的形式）来输入 CFD 模型。研究结果将发表在该领域的顶级期刊上，并由博士生在国际会议上发表。所需个人资料和技能：至少在以下领域获得硕士学位：流体力学、材料物理、软物质物理、数值模拟。您喜欢建模和解决难题。好奇心、严谨性、参与度、批判性分析能力、倾听能力，当然还有对科学和技术的热情，这些都是成功答辩优秀论文的关键资产。英语流利 + 愿意学习基础法语。申请：文件包括四项：求职信 + 简历 + 至少一封推荐信 + 硕士排名或学术成绩。其他：最好从 2020 年 10 月 1 日开始。在工业资助和合作下
› › 4Step iCare 计划是一种个性化的、简单的 4 步骤方法，可帮助您做出艰难的医疗决定。
询问您的医疗保健提供者：› › 根据我的预后和护理目标，有哪些治疗方案？› › 这些方案的益处和风险是什么？› › 还有哪些其他治疗方法或我应该咨询哪些医生？› › 哪些治疗或药物不再需要？› › 在什么情况下需要返回医院？› › 开始或继续人工营养（喂食管）和补液（静脉输液）在多大程度上符合我的目标？› › 我心肺复苏术 (CPR) 存活的几率有多大，像这样的紧急程序如何帮助我实现护理目标？› › 目前 NJ POLST* 表格适合我吗？
