XiaoMi-AI文件搜索系统
World File Search Systemexplainer
快速阅读：Gavi，疫苗联盟 V2
注：本解释器由脑膜炎研究基金会创建，阐述了我们目前对 Gavi 及其在战胜脑膜炎方面的作用的理解。本指南是为 CoMO 成员和其他民间社会组织创建的，旨在支持世界各地的活动家参与和倡导世卫组织 2030 年战胜脑膜炎全球路线图的愿景。
Greencore Factory - 投资媒体发布 - 最终版
关于 SNRG SNRG 正在加速英国住宅和工业及商业项目的脱碳和电气化。接下来还有更多公告。SNRG 通过其智能电网实现这一目标，智能电网是一种基于地点的电力系统，利用太阳能光伏、电池存储和智能编程，提供可靠、更便宜的电力供应，并连接到电动汽车充电器和热泵等资产。当所有这些元素被控制和协调在一起时，开发商可以节省前期成本，居住者可以节省账单，地球可以节省碳排放。SNRG 智能电网克服了开发商、房屋建筑商和企业面临的主要障碍，为前期成本、电网限制和短期租赁提供了即时解决方案。请在 oursnrg.com/explainer 上阅读有关 SNRG 创新工作的更多详细信息
以临床医生为中心的药物再利用的基础模型
药物再利用（确定已获批准药物的新治疗用途）通常是偶然的和投机性的，扩大了药物在治疗新疾病方面的用途。药物再利用 AI 模型的临床实用性仍然有限，因为这些模型仅关注某些药物已经存在的疾病。在这里，我们介绍了 TX GNN，这是一种用于零样本药物再利用的图形基础模型，甚至可以为治疗选择有限或没有现有药物的疾病识别治疗候选药物。TX GNN 在医学知识图谱上进行训练，利用图神经网络和度量学习模块将药物按 17,080 种疾病的潜在适应症和禁忌症进行排名。与八种方法进行基准测试时，在严格的零样本评估下，TX GNN 将适应症的预测准确率提高了 49.2%，禁忌症的预测准确率提高了 35.1%。为了便于模型解释，TX GNN 的解释器模块提供了对形成 TX GNN 预测原理的多跳医学知识路径的透明见解。 TX GNN 解释器的人工评估表明，TX GNN 的预测和解释在准确性之外的多个性能方面都表现令人鼓舞。TxGNN 的许多新预测与大型医疗保健系统中临床医生开出的标外处方相符。TX GNN 的药物再利用预测准确无误，与标外用药一致，并且可以通过多跳可解释原理由人类专家进行调查。
解释模型
人们通常必须在太复杂的环境中做出决定，无法理解。政策制定者评估其潜在治疗效果的社会计划是异质性，高度非线性或溢出的社会计划。监管机构为复杂的人工智能模型设计规则，而在社会中部署了这些模型，而没有真正知道这些模型的工作方式。对决策者的有用是多么有用，可以理解其环境的解释？在本文中，我们通过考虑决策者（此后DM）的问题来研究这个问题，该决策者遇到了一个太复杂而无法理解的模型，而必须依靠对其进行解释。DM的收益取决于其行动和世界状态，在这些行动和输入中描述了后者。输入遵循已知分布，单个真实模型指定输入和输出之间的关系。例如，这种真实的模型可能是自然界中发生的相关数据生成过程（DGP），或者是由复杂的人工系统（例如大型统计或人工智能（AI）模型）引起的DGP。我们设置的关键新颖特征是，真实模型的空间比DM可以理解的可理解模型的空间大得多。例如，真实模型的空间可能包含所有深神经网络，但是可理解模型的空间可能仅包含n级多项式。要使DM将有关真实模型的信息合并到其选择的选择中，必须首先通过将其映射到可理解的模型来解释真实模型。同样，regu-将重点放在DM中掩盖模型的主要因素上，我们抽象出可能在此解释过程中涉及的任何抽样误差。我们需要遵守两个标准的真实模型空间和可理解模型的空间（我们称为解释器）之间的映射。首先，如果真实模型已经可以理解，则解释器不应用不同的模型来解释它。第二，如果真实模型是由独立于状态的随机设备生成的两个模型的混合物（例如，一个模型持有一半的时间；另一个模型，另一半），则真实模型的解释应该是这两个模型的解释的混合。一起，这些标准等于解释器是对可理解模型空间的真实模型的线性投影。此类包含用于解释模型的大多数工具，包括政策评估中的线性回归和机器学习中的本地近似值。本文的设置捕捉了许多情况，在这些情况下，决策者面对需要解释的符合模型。，例如，决策者经常评估其治疗效果（输出）取决于受影响人群（输入）的人口特征（输入）（真正的模型），而决策者必须选择要实施的程序（行动）。
2023 年年度报告
Future Cleantech Architects 是一家位于德国雷姆沙伊德的非营利性气候创新智库。我们的存在是为了弥补剩余的创新差距，到 2050 年实现净零排放。为了实现这一目标，我们加速关键行业（如水泥、航空或航运）的创新，这些行业的可持续解决方案仍处于非常早期的阶段。我们敦促政策制定者加强和更好地优先考虑他们的研发活动。此外，我们发起并积极推动针对这些被忽视的技术领域的关键技术的高级研究联盟。例如，我们是 CemSol 的一部分，这是一个研究项目，旨在证明太阳能加热煅烧装置在工业规模上技术可行，并且可以经济地运行。请在此处观看我们的解释视频。我们将这种积极的“实地”研发工作与行业合作相结合，以进行有效的宣传。
痴呆症、认知健康和护理需求评估工具包
医疗服务提供者团体应支持患者进行护理计划、确定开放的临床研究以及获取可用的、经 FDA 批准的药物干预措施。有关医疗补助计划的具体支持，请查看阿尔茨海默病协会的医疗补助计划解释器。医疗保健专业人员可以使用 CPT 代码 99483 获得护理计划报销，其中包括日常生活活动功能评估、高级护理计划和安全评估。有关痴呆症护理的其他 CPT 代码，请参阅姑息治疗中心的演示文稿《痴呆症护理计费 2021》。鼓励护理团队继续为痴呆症患者及其护理人员提供性和生殖健康筛查、年龄建议内的疫苗接种以及针对慢性病、癌症和可能感染的预防性筛查。
痴呆症、认知健康和护理需求评估工具包
医疗服务提供者团体应支持患者进行护理计划、确定开放的临床研究以及获取可用的、经 FDA 批准的药物干预措施。有关医疗补助计划的具体支持，请查看阿尔茨海默病协会的医疗补助计划解释器。医疗保健专业人员可以使用 CPT 代码 99483 获得护理计划报销，其中包括日常生活活动功能评估、高级护理计划和安全评估。有关痴呆症护理的其他 CPT 代码，请参阅姑息治疗中心的演示文稿《痴呆症护理计费 2021》。鼓励护理团队继续为痴呆症患者及其护理人员提供性和生殖健康筛查、年龄建议内的疫苗接种以及针对慢性病、癌症和可能感染的预防性筛查。
![arXiv:2005.02963v1 [cs.AI] 2020 年 5 月 6 日](/simg/g:\will\search\icon\source\1\1ff46bc4a4991cc3fcff22a53e9f44928e73b335.png)
arXiv:2005.02963v1 [cs.AI] 2020 年 5 月 6 日
人类参与者根据解释者对被解释者 1 的信念，向不同的被解释者（即解释的接受者）给出了不同的解释。当然，玛丽的解释好坏取决于她能否模拟室友的心理状态，以及他们如何根据她的解释改变自己的心理状态。玛丽对鲍勃和汤姆的信念的信念，或者她对他们每个人如何修改信念的信念，很可能是错误的，在这种情况下，她对他们的解释可能无法解释为什么地板是湿的。解释已在多种学科中得到研究。Miller [28] 对人工智能中的解释进行了广泛的调查，其中包括一系列哲学历史著作（例如，Hempel 和 Oppenheim [19]；Peirce [32]；Harman [17]），主张哲学和社会科学在未来解释研究中的重要作用。在人工智能领域，早期的解释研究包括各种基于逻辑和概率的溯因推理方法或所谓的最佳解释推理，包括 Pople [35]、Charniak 和 McDermott [10]、Poole [33] 和 Levesque [24] 的早期作品。在 20 世纪 80 年代中期，解释在专家系统的背景下得到普及，其中解释通常通过对一组符号推理步骤进行反向链接而生成（例如，[18, 40]）。在此之后，解释成为符号 AI 推理各种应用中的共同元素（例如，[26、3、42]）。最近对解释兴趣的复苏主要是以所谓的可解释 AI (XAI) 为幌子，其动机是需要为黑箱分类和基于机器和深度学习的决策系统中的决策提供人类可解释的解释（例如，Samek 等人[39]；Gunning 等人[14]）。许多研究人员已经承认心智理论在解释中的重要性。在 20 世纪 80 年代和 90 年代，G¨ardenfors [12] 和 Chajewska 和 Halpern [7] 等学者提出的正式解释理论认为，对一个代理的解释可能不适用于对另一个代理的解释，因此解释者必须根据被解释者的信念为其量身定制解释。在用户建模和对话领域，同样设定在 20 世纪 80 年代和 90 年代，Weiner 的 [46] BLAH 系统和 Cawsey 的 [6] EDGE 系统都根据假定的用户模型定制解释。[16]；Kaptein 等人。[22]）。最近，Westberg 等人。最近，研究人员利用信念-愿望-意图 (BDI) 架构作为反映心智理论的自然解释框架。此类软件架构可使解释者明确表达自己的信念、愿望和意图，以及被解释者的信念、愿望和意图，并将解释与其自己的信念和目标或被解释者的信念和目标联系起来（例如，Harbers 等人。[47] 认为，结合认知科学对心智理论的各种观点将有助于创建更适合与人类交流和解释自己的代理。此外，Miller [28] 调查了这方面的工作，并强调了解释者的重要性
自主代理人fra
17 SWIFT: A Scalable lightWeight Infrastructure for Fine-Tuning Friday 98 A Multi-Style Chinese Characters Writing Intelligent Tool Based on Small-scale Training Data 60 Agent Trajectory Explorer: Visualizing and providing feedback on agent trajectories 12 Agentic AI for Digital Twin 40 ECLAIR: Enhanced Clarification for Interactive Responses in an Enterprise AI Assistant 59 EvalAssist: LLM-as-a-judge simplified 27 Incident基于检索的增强大语模型63 MathMistake检查器的诊断和报告系统：逐步的数学问题错误的全面演示通过迅速指导的LLMS 32 MATWA查找发现：一种用于匹配的网络工具包51微生物搜索：微生物搜索的应用程序：用于检测watefore section的应用程序，以最高的固定量为基于CREFERIST的固定型58 NEUROSING， Probabilistic Logic Shields 69 Speech is not enough: Interpreting nonverbal indicators of common knowledge and engagement 71 TRACE-CS: A Synergistic Approach to Explainable Course Scheduling Using LLMs and Logic 72 TRANSFORMER EXPLAINER: Interactive Learning of Text-Generative Models 57 Usage Governance Advisor: from Intent to AI Governance Saturday 122 Accessible Hardware Implementation for Multi-Agent Collective Construction
新城镇和灰带：健康的场所营造还是仅仅是住房数量？
工党承诺通过新城和“灰带”启动住房供应，这是对住房和负担能力问题以及过去几十年重大经济危机的重要回应。然而，如果没有质量保证和战略激励，这种方法就有可能成为一种“不惜一切代价追求数量”的做法。对住房供应的关注必须转变为对场所营造的关注。不健康的场所会增加疾病负担，增加中长期医疗成本，并降低生产力。它们还可能使我们更容易受到 Covid 等冲击（由于潜在的健康状况）和地球健康状况恶化的影响。实现质量和数量是可能的，但好的例子很少。政府需要将健康放在首位，才能有一个良好的开端。阅读我们关于健康对政策制定者意义的解释。