XiaoMi-AI文件搜索系统
World File Search Systemla
瑞士人工智能 - 报告
简介 2 ● 2021 年第四季度瑞士人工智能概况思维导图 3 ● 方法论和方法 4 ● 主要发现 5 瑞士人工智能概况 6 ● 瑞士作为人工智能生态系统 8 ● 瑞士各地区人工智能公司分布 10 ● 瑞士人工智能投资者 14 ● 瑞士各地区人工智能非营利组织、研发中心和枢纽分布 18 人工智能影响者 28 人工智能实施的商业案例 33 ● AT Swiss Ventures 34 ● Daedalean 37 ● DeepTechConsult 39 ● ICOS Capital 41 ● InterAx Biotech AG 44 ● livealytics 46 ● Mindfire 48 ● Mindset Technologies 50 ● Switzerland Innovation 52 ● SIB 瑞士生物信息学研究所 54 ● Uplyfe 56 人工智能与瑞士政府：关键声明和发展战略 58 瑞士在新冠疫情期间的人工智能使用情况 64 人工智能与人口寿命瑞士 69 瑞士人工智能的发展趋势和障碍 78 人工智能预测和结论 83 免责声明 95
面向情感 XAI：通过面部情感分析来理解可解释的人机交互
随着机器学习方法越来越多地用于增强人类决策能力，可解释人工智能 (XAI) 研究探索了将系统行为传达给人类的方法。然而，这些方法往往无法解释人类在与解释互动时的情感反应。面部情感分析研究人类面部的情绪表达，是了解用户如何参与解释的一个有前途的视角。因此，在这项工作中，我们的目标是 (1) 确定人们与 XAI 界面交互时哪些面部情感特征会很明显，以及 (2) 开发一个多任务特征嵌入，将面部情感信号与参与者对解释的使用联系起来。我们的分析和结果表明，当参与者未能有效地使用解释时，面部 AU1 和 AU4 以及唤醒的发生和值会增加。这表明面部情感分析应该纳入 XAI，以根据个人的互动风格个性化解释，并根据执行任务的难度调整解释。
2025 年 1 月 10 日罢工家长通告.docx
因此，请家长在罢工当天早上将孩子留在学校门口之前，务必先检查学校是否开放、课程和食堂服务（如适用）是否正常运行，以及是否已采取措施重新组织服务。
使用人工神经网络进行分布式拒绝服务攻击分类。
研究指南，Acharya Nagarjuna 大学。摘要 对于所有规模的组织和 ISP，有史以来最具破坏性的攻击都是 DDoS 攻击 (分布式拒绝服务)。由于 DDoS 出租服务的可用性提高，数十亿不安全的僵尸网络和 IoT 设备的产生导致 DDoS 攻击增加。这些 DDoS 攻击的频率、规模和复杂程度不断增加。由于这些攻击日益智能化以及 IDS 的逃避，包括清理和基于签名的检测在内的传统方法受到了挑战。由于攻击规模主要集中在组织上，下一代安全技术无法跟上步伐。由于对人为干预的要求较高，基于异常的检测在误报和准确率方面存在各种限制。本文利用机器学习（ML）模型，基于开放的CICIDS2017数据集进行了DDoS异常检测。但是，使用该ML模型并精心调整超参数可以达到最大准确率。关键词：DDoS攻击，异常检测，机器学习，入侵检测系统，准确性。
各州计划在 K-12 阶段教授人工智能
为期两天的研讨会为各州代表团提供了协作构想、自我评估和目标设定的机会，方法是在州一级采用由 CSforALL 开发的 SCRIPT 战略规划工具，CSforALL 是一家致力于扩大 K-12 计算机教育的组织。研讨会由 AI4K12 的 Gardner-McCune 和 CSforALL 的执行董事 Leigh Ann DeLyser 共同主持。扩展计算教育途径 (ECEP) 联盟专注于扩大州一级的计算参与度，也通过就其州团队发展模式和州峰会工具包的调整提供咨询，为研讨会做出了贡献。
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。
MedPerf - 使用联合评估的医疗 AI 开放基准测试平台
Vector Institute)、Vijay Janapa Reddi（哈佛大学）、G Anthony Reina（在英特尔任职期间做出贡献）、
DSCI-531 人工智能公平性课程大纲
● HW1：研究过程中的道德规范 - 这项作业将向学生介绍开展公平和道德研究的概念。重点将放在对 IRB 本质的历史理解上。学生将完成 CITI 人类受试者研究培训作为其作业的一部分。● HW2：数据和预测中的偏见 - 学生将学习将基本的数据挖掘技术应用于数据。学生将设计和对大型数据集进行统计测试。这些测试将围绕公平概念以及如何利用技术来识别不公平进行设计。● HW3：NLP 中的偏见 - 学生将学习命名实体识别中的性别偏见。解决这项作业需要基本的自然语言处理技术，包括基于转换器的语言模型，如 BERT。● HW4：网络中的偏见——在这项作业中，学生将学习和应用基本的网络技术来发现网络中的性别偏见。女性在网络中的代表性是更多还是更少？她们是否倾向于占据比男性更高或更低的中心位置？注意：在书面和编程作业中，描述和分析的完整性和清晰度与最终的正确答案一样重要。仅发送单个最终值（即使正确）是不够的。请参阅下表：
探索人类与人工智能之间的力量平衡，并提出一些问题
人类还是人工智能 (AI)，谁主宰着世界的命运？这个问题直指当代人类对未来的生存焦虑。如果我们想认真考虑不友好的人工智能“神经元”是否对人类文明和人类在宇宙中的持续存在和进化构成威胁，我们需要尽可能多地了解我们所处的宇宙、我们在其中的位置，以及认知、意识和心态到底是什么。我们如何结合哲学、认知科学和技术视角，探索人类与人工智能之间不断发展的关系，以参与和解决人类-人工智能综合体的核心问题，即文明的未来——它将是什么样子，谁可以声称是我们的继任者，走向什么样的目标和结局？人类认知的进化和发展以及人工智能的出现可以帮助我们确定未来发展的潜在路径。相对于我们自身的历史和发展，以及人工智能能为我们提供的可能性，我们今天处于什么位置？本文探讨了人工智能日益自动化所带来的伦理、社会和生存问题，以及它与人类历史的关系，从人类的起源到当代的文化表现。本文还强调了整体方法对于理解和应对人工智能发展带来的风险的重要性。这些方法应该结合哲学、道德、心理和技术等各个领域的发现，以管理一系列复杂的问题。总而言之，本摘要强调了超越简单的人与机器划分的复杂观点的迫切必要性。它提出了这样一种情况：人类使用人工智能作为一种工具，来增进集体幸福，确保对技术进步和更大的生命系统进行负责任的管理。