透明度被广泛认为对于人工智能 (AI) 在现实世界中的负责任部署至关重要,也是建立对 AI 的信任的必要先决条件。实现透明度的方法有很多种,其中一种很有前途的尝试是以人为本的解释。然而,很少有研究关注以人为本的解释对最终用户信任的有效性。现有实证研究的比较之所以复杂,是因为信任的衡量方式不同。一些研究人员使用问卷来衡量主观信任,而另一些研究人员则衡量客观的信任相关行为,如依赖。为了弥合这些差距,我们研究了两种有前途的以人为本的事后解释——特征重要性和反事实——对信任和依赖的影响。我们在决策实验 (N = 380) 中将这两种解释与控制条件进行了比较。结果表明,以人为本的解释可以显著增加依赖性,但决策类型(提高价格还是降低价格)的影响更大。这挑战了透明度在涉及人工智能的人类决策中相对于其他因素(例如潜在的启发式和偏见)的假定重要性。我们得出结论,信任并不一定等同于依赖,并强调了适当、经过验证和商定的指标对于设计和评估以人为本的人工智能的重要性。
b" 对限制或提供雨水控制机会的场地特征和条件进行叙述性分析或描述。包括土壤类型(包括自然资源保护局 (NRCS) 定义的水文土壤组)、场地坡度和地下水深度。对保护自然资源的场地设计特征进行叙述性描述。对场地设计特征、建筑特征和路面选择进行叙述性描述和/或制表,以尽量减少场地的不透水性。对 DMA 进行制表和大小计算,包括自处理区、自保留区、排水至自保留区的区域以及排水至雨水管理设施的区域。详细信息和描述表明有足够的水头将径流引导到、流经和流出每个雨水管理设施到批准的排放点。已识别污染源的表格,以及针对每个污染源,用于最大程度减少污染物的源头控制措施。视情况而定,请参阅市政府关于垃圾围栏和装卸码头的标准计划,以及消防喷淋试验水排放指南。上述市政府网站上提供了此信息的链接。雨水管理设施中所选植物种类的清单以及选择这些植物种类的原因。包括如何灌溉植物以尽量减少用水量并确保植物存活的说明。请参阅上述市政府关于植物选择、间隔和灌溉的指南。提供了如何防止垃圾和杂物进入市政雨水排水系统的说明和详细信息。上述市政府网站上提供了已获批准的完整垃圾收集设备清单。所有雨水管理设施的一般维护要求。所有雨水管理设施的维护通道说明。设施维护和更换的资金来源和永久实施方式。识别与规范或要求的任何冲突,或实施雨水控制计划的其他预期障碍。土木工程师、建筑师和景观设计师的认证。适用时,附录:湾区水文模型表明符合水文改造管理标准。适用时,附录:描述在拆除活动期间如何管理含 PCB 的建筑材料。有关更多信息,请参阅此网页:https://dublin.ca.gov/2113。"
无线电是通过空间查找器进行智能文明之间通信的常见工具,而大多数SETI程序在全球太空机构和太空发现器天线上经营的无线电波长搜索信号适用于SETI LAB中的Super或Quantum Computer在地球上的空间外星人信号(Seti Lab(Seti Lab)(SETI) https://www.theexpertta.com/bookfiles/openstaxastronomy/astronomy_30.4.%C2%A0the%20search%20search%20 for%20 extraterrestial%20Intelligence_pg1123%20%20%20%201133.pdf)。基本的生命,包括生物化学–phy是一种宇宙学现象,被认为是从全球地球上的火星行星迁移的。此外,在2023年寻找周地智能是一个良好的概念,其中跨国研究机构或NASA,DLR,Roscosmos,Jaxa,ESA,ESA和CSA等研究开发,这是世界一流的实验室。此外,外星智力和生命迹象与另一个行星,另一个宇宙或星系而不是地球上的生命有关。此外,以生物化–Phy形式的外星生命迹象包括空间微生物,DNA,RNA,蛋白质,酶,酶,生物空间光,最近将生物空间光用作轻药(https://uomustansiriyah.edu.iq/媒体/讲座/3/3_2018_03_24!01_00_12_pm.pdf)。如果我们谈论天体生物学,它完全是哲学和技术的,既有技术部分都基于搜索外部生命标志的搜索,搜索新行星,搜索新星系,借助光谱学,望远镜和配件来解释天文学,以解释天文学,并以哲学上的方式解释现代科学的形式。此外,天体生物学中使用的望远镜的范围从桌面望远镜到詹姆斯·韦伯太空望远镜或直到大量空间望远镜。通过使用望远镜与外部智能进行通信,要发送到空间的信号射频设置为203.385 GHz,在该空间中,作为最佳波长区域,用于与空间中的外星智能沟通为λ= 1.5 mm(Amit Rastogi Rastogi等人,2023年)。
机器学习方法在医疗领域广泛使用。但是,这些模型的可靠性和功效很难评估,这使得研究人员难以确定哪种机器学习模型适用于其数据集。我们评估了模型指标(例如AUROC,灵敏度,特异性)的方差计算是否通过自举仿真和外形加性解释(SHAP)可以提高模型透明度并改善模型选择。使用了英格兰国家健康服务心脏病预测队列的数据。在比较了XGBoost,随机森林,人工神经网络和自适应增强的模型指标之后,本研究中使用XGBoost作为选择的机器学习模型。BOOST-STRAP模拟(n = 10,000)用于从经验上得出模型指标的分布和协变量增益统计。整体添加说明(SHAP),以提供机器学习输出和仿真的解释,以评估模型精度的差异。对于Xgboost建模方法,我们观察到(通过10,000个完成的模拟),AUROC的范围为0.771至0.947,差异为0.176,平衡精度为0.688到0.688到0.894,敏感性差异为0.632差异为0.632差异0.632到0.3920差异0.932差异0.30777939,均为0.939,均为0.939,均为0.939,均为0.939,均为0.939,均为0.939,均为0.939,范围差0.944,0.394差异。使用仿真来凭经验评估模型指标和解释算法的可变性,以观察协变量是否与文献相匹配,这对于提高了运输,可靠性和机器学习方法的实用性是必需的。在完成的10,000个模拟中,我们观察到,胆固醇的胆固醇的增益范围从0.225到0.225到0.456,差异为0.231,差异为0.148范围为0.148至0.178,最大心率(MAXHR)的差异为0.178,范围为0.081至0.200,范围为0.200,范围为0。 0.098。这些差异统计数据,结合模型精度统计数据可以帮助研究人员确定给定数据集的最佳模型。
摘要 我们希望提出一种基于涉及蛋白质-蛋白质相互作用的大脑间超快自发信息通路来绑定内在信息的机制。质子是用于在像大脑这样的复杂水介质中传输比特单元的便捷量子对象。这种介质中的声子-极化子相互作用增加了信息复杂性,涉及复杂的蛋白质相互作用,这些相互作用对于超流体般的高速公路至关重要,使意识过程能够穿透大脑区域,这些区域是由不同的受调控的基因组而不是单个区域特定的基因组成的。大脑皮层中的蛋白质通路连接在一个由数千种蛋白质组成的网络中。为了理解大脑间通信的作用,我们假设界面水晶格中的质子电流是由声子-极化子振动引起的,在电磁场存在的情况下,声子-极化子振动可以导致超快速通信,其中热量子比特、物理感觉和质子是用于在复杂水介质中传输比特单元的便捷量子对象。由于准质子绕闭合环运动的能量而引起的热振荡频率与电磁振荡频率相对相等,这证实了准极化子的存在。声子极化子是与晶格振动模式耦合的电磁波。然而,当它们由质子专门产生时,它们被称为声子耦合准粒子,即与振动运动耦合。我们从准粒子开始,向上移动到亚细胞、细胞和神经元结构中的生物分子通信,导致多尺度信息“位”的负熵纠缠。信奉量子势化学,稳态下负增益上固有信息的相互依赖性代表了微观随机量子热涨落的中观集合,通过负熵衍生的、温度相关的、耗散的量子势能来表达。后者取决于扩散函数和温度的时间导数,从根本上解释了完整脑理论。关键词:量子势化学;量子热涨落;热量子比特;本征信息;Grotthuss机制;负熵增益;准极化子;质子;耗散量子势能;共振;完整脑理论。
本文探讨了为什么各国发动了如此多的网络攻击,却很少发起跨域行动(这里指网络和军事领域之间的行动)。我探讨了五种假设,以解释为什么大多数网络攻击不会与军事打击同时发生。我的分析表明,在这五种假设中,有两种是令人信服的。首先,国家攻击者出于基于内部分工的组织原因,做出不“跨域”的战略决策。其次,许多网络攻击者即使将网络和军事力量整合在一起,在跨域行动中仍面临重大技术挑战。其他三个原因不那么令人信服,包括对冲突升级的担忧、适用于网络空间的国际法以及网络空间行为规范。
人工智能研究界对开发能够向用户解释其行为的自主系统的兴趣日益浓厚。然而,为不同专业水平的用户计算解释的问题却很少受到研究关注。我们提出了一种解决这个问题的方法,即将用户对任务的理解表示为规划器使用的领域模型的抽象。我们提出了在不知道这种抽象人类模型的情况下生成最小解释的算法。我们将生成解释的问题简化为对抽象模型空间的搜索,并表明虽然整个问题是 NP 难的,但贪婪算法可以提供最佳解决方案的良好近似值。我们通过经验表明,我们的方法可以有效地计算各种问题的解释,并进行用户研究以测试状态抽象在解释中的效用。
摘要:人工智能系统设计的一个关键挑战是如何帮助人们理解它们。我们通过将解释定位在日常生活中,置于人与人工智能代理之间的持续关系中来应对这一挑战。通过非人类设计重新定位可解释性,我们呼吁一种新方法,将人和人工智能代理都视为构建理解的积极参与者。为了阐明这种方法,我们首先回顾了解释人工智能前提的假设。然后,我们概念化了从解释到共享理解的转变,我们将其描述为情境化、动态化和表演性。最后,我们提出了两种支持共享理解的设计策略,即纵观人工智能和揭露人工智能的失败。我们认为这些策略可以帮助设计师揭示人工智能隐藏的复杂性(例如,位置性和基础设施),从而支持人们在自己的生活背景下理解代理的能力和局限性。
摘要 目前存在一场争论,即在医学背景下使用的机器学习系统是否需要可解释,以及在何种意义上需要可解释。赞成者认为,这些系统需要对每个个人决策进行事后解释,以增加信任并确保诊断准确。反对者则认为,系统的高准确性和可靠性足以提供认知上合理的信念,而无需解释每个个人决策。但是,正如我们所表明的,这两种解决方案都有局限性——而且目前还不清楚它们是否能解决使用这些系统的医疗专业人员的认知担忧。我们认为这些系统确实需要解释,但需要制度上的解释。这些类型的解释提供了医疗专业人员在实践中应该依赖该系统的原因——也就是说,它们专注于试图解决那些在特定环境和特定场合使用该系统的人的认知担忧。但确保这些制度解释符合目的意味着确保设计和部署这些系统的机构对系统中的假设是透明的。这需要与专家和最终用户协调,了解该系统在现场如何发挥作用、用于评估其准确性的指标以及审核系统的程序,以防止出现偏差和故障。我们认为,这种更广泛的解释是必要的,因为事后解释或准确性分数对医疗专业人员具有认识论意义,使他们能够依赖这些系统作为实践中有效和有用的工具。
6 Tom Boellstorff,《从理论上制作大数据》(2013 年)18(10) First Monday。7 David Silver 和 Demis Hassabis,《AlphaGo:利用机器学习掌握古老的围棋游戏》[2016](2021 年 6 月 23 日访问)。8 Robert Prey,《Nothing Personal:音乐流媒体平台上的算法个性化》(2018 年)40(7) Media, Culture & Society 1087。9 Kristian Hammond,《人工智能入门指南》(Wiley 2015 年)。10 Frank Pasquale,《黑箱社会。控制金钱和信息的秘密算法》(哈佛大学出版社 2015 年)。11 Andreas Holzinger 等人,《人工智能在医学中的因果性和可解释性》(2019 年)9(4) WIREs 数据挖掘和知识
