XiaoMi-AI文件搜索系统
World File Search Systemlime
Charan Pushpathan Prabavathi
•使用Q学习，策略迭代和深度Q-NETWORKS开发和评估了MDP代理，实施了对跨多个领域实现最佳策略的顺序决策的代理。•实施了可解释的机器学习模型的实施功能工程技术和辩护转换，重点介绍了高风险决策域中的公平和偏见缓解。•使用多个可解释的AI框架（AIX360，Lime，Shap）分析了模型行为和决策边界，生成了可解释的解释和可视化，以评估模型预测和特征重要性。•为顺序规划域创建了马尔可夫决策过程模型和分层任务分析，通过价值/政策迭代和强化学习方法实现最佳政策。
模块：废物能源，达勒姆约克能源中心
EFW 工艺可将住宅垃圾的体积减少约 85% 至 90%。处理后剩下的垃圾中，大部分是无害的底灰，类似于碎石。较小部分是现场处理产生的粉煤灰，其中含有石灰和碳残留物，这些残留物被空气污染控制设备捕获。DYEC 的灰烬在运出场外之前会经过测试，以确保无害。底灰和处理过的粉煤灰被运往垃圾填埋场并用作日常覆盖材料，从而减少了对土壤或其他覆盖材料的需求。
导航AI
2，Lindenwood University https://orcid.org/0000-0002-0578-6052摘要：深神经网络（DNN）的可解释性和解释性在人工智能（AI）中至关重要，尤其是应用于医疗保健，财务，财务，财务，自然驾驶和自动驾驶和自动驾驶。这项研究的需求源于AI逐渐融合到关键领域，在这些领域中，透明，信任和道德决策至关重要。本文探讨了建筑设计选择对DNN解释性的影响，重点介绍了不同的建筑元素（例如层类型，网络深度，连接模式和注意机制）如何影响模型透明度。从方法论上讲，该研究对案例研究和实验结果进行了全面综述，以分析DNN中的性能与可解释性之间的平衡。它检查了现实世界中的应用程序，以证明医疗保健，金融和自动驾驶等领域的可解释性重要性。该研究还综述了实用工具，例如局部可解释的模型不合源说明（LIME）和Shapley添加说明（SHAP），以评估它们在增强模型透明度方面的有效性。结果强调了解释性有助于更好的决策，问责制和遵守监管标准。例如，在环境监测中使用Shap有助于政策制定者了解空气质量的关键动力，从而导致明智的干预措施。在教育中，石灰通过强调影响学生绩效的因素来帮助教育者个性化学习。研究结果还表明，结合注意机制和混合模型体系结构可以显着提高可解释性，而不会损害性能。关键字：解释性，解释性，深神经网络，AI透明度
通过可解释的人工智能解释中风受损的肌电图模式
摘要：肌电图 (EMG) 在识别缺血性中风引起的神经肌肉改变方面具有宝贵的肌电表现，可作为诊断缺血引起的步态障碍的潜在标记。本研究旨在开发一个可解释的机器学习 (ML) 框架，通过可解释的人工智能 (XAI) 技术区分中风患者和健康个体的肌电模式。该研究包括 48 名在康复中心接受治疗的中风患者（平均年龄 70.6 岁，65% 为男性），以及 75 名健康成年人（平均年龄 76.3 岁，32% 为男性）作为对照组。在步态实验室的室内地面行走期间，从放置在双下肢股二头肌和外侧腓肠肌上的可穿戴设备记录 EMG 信号。我们部署了 Boosting ML 技术，利用 EMG 步态特征识别中风相关的步态障碍。此外，我们还采用了 XAI 技术，例如 Shapley 加法解释 (SHAP)、局部可解释模型不可知解释 (LIME) 和 Anchors，以解释 EMG 变量在中风预测模型中的作用。在评估的 ML 模型中，GBoost 模型在与训练数据集进行交叉验证时表现出最高的分类性能 (AUROC：0.94)，并且在使用测试 EMG 数据集进行评估时也表现出色 (AUROC：0.92，准确率：85.26%)。通过 SHAP 和 LIME 分析，研究发现有助于区分中风组和对照组的 EMG 频谱特征与右侧股二头肌和外侧腓肠肌有关。这种可解释的基于 EMG 的中风预测模型有望成为预测中风后步态障碍的客观工具。它的潜在应用可以通过提供可靠的 EMG 生物标志物极大地帮助管理中风后康复，并解决缺血性中风患者的潜在步态障碍。
利用季节性能源储存实现经济高效的建筑气候控制的模型预测方法
为了储存夏季剩余的电能供应并满足冬季的供热需求，需要一个高容量的季节性储能系统。这项工作的目的是将一种新型热化学季节性储能概念控制集成到建筑能源系统中。在这项工作中，开发了一个基于状态的模型，包括建筑物、水缓冲区和供热系统。为了阐述长期储存的影响，应用了长期天气预报并改变了供热。由于公共天气预报在几天的时间范围内是可靠的，因此使用测试参考年数据来近似公共预报期以外的天气预报。在此基础上，设计了两个模型预测控制 (MPC) 概念，以便在一年内高效运行该系统。层次结构由上级最佳发电调度 (OGS) 和下级 MPC 组成。这些概念遵循预定的长期石灰储存轨迹，并根据当前公共预测实现可能的短期收益。轨迹跟踪在目标函数或约束中制定。将新型石灰储存模块集成到建筑物的供热系统中，在现实情况下可将运营成本降低 18%，在电价波动较大的情况下，最高可降低 80%。这种降低潜力可以通过开发的控制方法充分利用，但它对控制器参数的变化、电价波动和天气数据非常敏感。此外，通过应用最佳的控制方法和参数集，可以避免更高级别的调度层次结构。
建筑材料，第三版
这本书是2000年版的重大修改版本。在这本书的第三版中进行了广泛的修订。由于技术和行业进步的进步，已经引入了新材料。提供的信息包括材料的特征，以其物理和机械性能，重点是其强度和耐用性质量。提供的材料可以通过I.S.的信息补充。代码和各种产品制造商。此版本在处理水泥，混凝土，石灰等的章节中体现了材料的变化。对大多数材料的测试程序进行了更新，因为已经修改了一些代码。尤其是在第3章岩石和石头中，有关石头测试的部分已被完全改写。关于石灰的第8章已完全重写，以使其更加友好。关于水泥，第10章混凝土和第20章的逻辑更改已经进行了有关水泥和水泥混凝土的第20章。混凝土混合物的混合物已在第10章中放置，有关指向的部分已从第12章中有关建筑迫击炮的删除。在第20章关于特殊水泥和水泥混凝土的第20章中引入了许多更重要的更重要的混凝土，例如自我压实混凝土，细菌混凝土。在这些章节中，而且在其他章节中也进行了描述中数据和替换的大量修订。智能材料和复合材料已在第21章中引入了有关其他材料的信息。作者将感谢读者的评论和建议，以进一步改善本书。
可解释的人工智能（XAI）用于预测糖尿病管理：合奏方法
摘要 - 机器学习确定来自数据的模式，以加快决策过程。基于事实的决策和数据驱动的决策由行业专家指定。由于医疗保健中机器语言模型的持续增长，它们在ML模型中繁殖了连续的复杂性和黑匣子。为了使ML模型晶体清晰且可实现的解释，AI登录率很高。这项研究审查了印度医疗保健系统中可解释的AI和能力检测糖尿病。石灰和外形是两个用于实现可解释AI的库和软件包。密封的基础合并局部和全局可解释的方法，从而增强了复杂模型的结晶度，并从复杂模型中获得了对公平性的直觉。此外，所获得的直觉还可以促进临床数据科学家计划对计算机辅助诊断的更奇怪的组成。XAI对预测顽固疾病的重要性。 在这种情况下，顽固的糖尿病，血浆与胰岛素与胰岛素之间的相关性，年龄与妊娠，类（糖尿病和非糖尿病患者）与血浆葡萄糖的相关性持续存在着牢固的关系。 具有塑形值的PIMD（PIMA印度糖尿病数据集）用于简洁依赖性，而当同时需要特征的锚定和重要性时，石灰是适用的。 依赖图可帮助医生可视化与预测疾病的独立关系。 要识别不同属性的依赖性，使用相关热图。XAI对预测顽固疾病的重要性。在这种情况下，顽固的糖尿病，血浆与胰岛素与胰岛素之间的相关性，年龄与妊娠，类（糖尿病和非糖尿病患者）与血浆葡萄糖的相关性持续存在着牢固的关系。具有塑形值的PIMD（PIMA印度糖尿病数据集）用于简洁依赖性，而当同时需要特征的锚定和重要性时，石灰是适用的。依赖图可帮助医生可视化与预测疾病的独立关系。要识别不同属性的依赖性，使用相关热图。从学术的角度来看，Xai在不久的将来对成熟是必不可少的。估算了其他适用数据集对应研究的介绍，这是非常学徒的。
评论和合成：通过基于反应堆的石灰石风化
图1。可以通过四个不同的步骤来描述 可以描述：（i）CO 2吸收：烟气中的CO 2与过程水和CO 2接触，CO 2溶解在过程水中，（ii）CACO 3溶解：水性CO 2与CACO 3反应，并在caco 3中反应，并在hco 3 -CO中产生hco 3 -ii temii temii temii stutation ii temii tem ii hco 3 -hco 3 -hco 3 -hco 3---碱化步骤（在缓冲锥中）：将额外的碱度添加到工艺水中（e，g。 通过石灰添加），直到多余的CO 2完全缓冲为止，（iv）重新平衡步骤：重新曝光105 时可以描述：（i）CO 2吸收：烟气中的CO 2与过程水和CO 2接触，CO 2溶解在过程水中，（ii）CACO 3溶解：水性CO 2与CACO 3反应，并在caco 3中反应，并在hco 3 -CO中产生hco 3 -ii temii temii temii stutation ii temii tem ii hco 3 -hco 3 -hco 3 -hco 3---碱化步骤（在缓冲锥中）：将额外的碱度添加到工艺水中（e，g。 通过石灰添加），直到多余的CO 2完全缓冲为止，（iv）重新平衡步骤：重新曝光105 时可以描述：（i）CO 2吸收：烟气中的CO 2与过程水和CO 2接触，CO 2溶解在过程水中，（ii）CACO 3溶解：水性CO 2与CACO 3反应，并在caco 3中反应，并在hco 3 -CO中产生hco 3 -ii temii temii temii stutation ii temii tem ii hco 3 -hco 3 -hco 3 -hco 3---碱化步骤（在缓冲锥中）：将额外的碱度添加到工艺水中（e，g。通过石灰添加），直到多余的CO 2完全缓冲为止，（iv）重新平衡步骤：重新曝光105
标题可解释性在创建值得信赖的...中的作用
全局 BETA 模型 [37*] 树提取 - Bastani、Kim 和 Bastani [38*] 提炼和比较模型 - Tan、Caruana、Hooker 和 Lou [39] 符号元模型 - Alaa 和 van der Schaar [40] 局部 LIME - Ribeiro 等人。 [26] 锚点——Ribeiro、Singh 和 Guestrin [41] 归因全局 PDP——Friedman [42] 特征交互——Friedman 和 Popescu [43] ALE——Apley 和 Zhu [44*] 特征重要性——Fisher、Rudin 和 Dominici Kapelner、Bleich 和 Pitkin [47] QII——Datta、Sen 和 Zick [48] SHAP——Lundberg 和 Lee [49] LOCO——Lei 等人。 [46] INVASE - Yoon, Jordon 和 van der Schaar [50] 全球影响力实例示例 - Cook [51] MMD-critic - Kim, Khanna 和 Koyejo [52] 本地影响力实例 - Cook [51] 无条件反事实解释 - Wachter, Mittelstadt 和 Russell
深入了解太阳能光伏发电 深入了解太阳能光伏发电 利用可解释的人工智能工具进行预测 利用可解释的人工智能工具进行预测
摘要 在过去的二十年里，人工智能 (AI) 方法已经应用于智能电网的各种应用，例如需求响应、预测性维护和负荷预测。然而，由于缺乏可解释性和透明度，人工智能仍然被认为是“黑匣子”，尤其是对于涉及许多参数的太阳能光伏 (PV) 预测。可解释人工智能 (XAI) 已成为智能电网领域的一个新兴研究领域，因为它解决了这一差距并有助于理解 AI 系统做出预测决策的原因。本文介绍了使用 XAI 工具（例如 LIME、SHAP 和 ELI5）进行太阳能光伏能源预测的几个用例，这些用例有助于将 XAI 工具用于智能电网应用。了解基于 AI 的预测模型的内部工作原理可以深入了解应用领域。这种见解可以改进太阳能光伏预测模型并指出相关参数。