XiaoMi-AI文件搜索系统
World File Search Systempla
（战略规划与工业用地方向见3.8.2）
新南威尔士州货运政策改革计划 澳洲航空有限公司（简称澳洲航空集团）很高兴有机会向新南威尔士州政府提交《新南威尔士州货运改革临时指示》。澳洲航空货运是澳大利亚最大的独立航空货运服务企业，平均每个工作日运输 44,000 件货物。2026 年，随着西悉尼国际机场 (WSI) 投入运营，澳洲航空的货运业务将发生重大转变。WSI 是澳大利亚国家基础设施的重要组成部分，对新南威尔士州来说是一个重大机遇。澳洲航空集团欢迎与西悉尼航空城开发相关的大量基础设施投资，包括悉尼地铁的建设，以及 M12 等连接该区域和更广阔地区的主要干道。2023 年 6 月，澳洲航空集团宣布了从 WSI 运营的计划。开业第一年，预计每年将运送约 400 万名乘客，这意味着在澳航集团在 WSI 运营的第一年，将增加多达 700 个运营岗位。 1 2024 年 10 月，WSI 宣布，WSI 的新枢纽将在开业后将悉尼的航空货运能力提高约 33%，并通过升级后的北路提供专用通道，并靠近 Kemps Creek 和 Aerotropolis 不断增长的货运和物流中心。 2 货运从 KSA 过渡到 WSI——需要在 2025 年 6 月之前制定明确的过渡计划（有关战略规划和工业用地，请参阅 3.8.2 方向） 有许多政策限制影响州际和国际货运的无缝运输。最值得注意的是，悉尼金斯福德史密斯机场 (KSA) 的宵禁规定对时间敏感和当日货运的提升和交付提出了相当大的挑战。虽然 WSI 在 2026 年的开业将在一定程度上
Chitkara University，旁遮普邦 - 气候行动计划
可再生能源生产：Chitkara University目前通过校园的太阳能产生了总需求的64％，并旨在到2029年将其提高到100％。这将通过在屋顶和可用土地上安装其他光伏系统来实现。太阳能到2026年将至少提供90％的校园能源需求。能源效率：我们已经开始用节能LED灯泡代替常规照明。到2025年，我们将100％用LED灯替换白炽灯泡。此外，将部署运动传感器和智能电表，以监视和减少教室，办公室和住宅设施中的能源浪费。HVAC系统效率：所有现有的HVAC系统都将升级为可变制冷剂流量（VRF）技术，该技术比传统系统高25-30％，可显着促进节能和降低。
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。
人工智能如何在成人教育中发挥优势？
1. 人工智能可以自动化教育中的基本活动，例如评分。在大学里，即使助教分担，为大型讲座课程评分家庭作业和考试也是一项繁琐的工作。即使在低年级，教师也经常发现评分占用了大量时间，而这些时间本可以用来与学生互动、备课或进行专业发展。现在，教师可以自动评分各种多项选择题和填空题
MICRO 2020 微塑料的命运和影响
奥尔堡、巴纽尔斯、巴塞罗那、巴斯蒂亚、拜罗伊特、布格奈、滨海布洛涅、不伦瑞克、布鲁塞尔、布尔、哥本哈根、克雷泰伊、克罗宗、埃克塞特、大加那利岛、基扬库尔、赫尔戈兰、伊萨卡、滨海特里尼泰、兰萨罗特、莱比锡、马德里、马略卡岛、马恩河谷、马萨特兰、梅诺卡岛、奥斯坦德、帕拉瓦斯、普卢扎内、普利茅斯、罗斯托克、锡耶纳、多伦多、特隆赫姆、乌尔代拜、乌得勒支、维戈和瓦赫宁根。
以用户为中心的可解释人工智能框架...
最先进的人工智能 (AI) 技术已经达到了令人印象深刻的复杂性。因此，研究人员正在发现越来越多的方法将它们用于实际应用。但是，这种系统的复杂性要求引入使这些系统对人类用户透明的方法。AI 社区正试图通过引入可解释 AI (XAI) 领域来克服这一问题，该领域旨在使 AI 算法不那么晦涩难懂。但是，近年来，人们越来越清楚地认识到 XAI 不仅仅是一个计算机科学问题：由于它与通信有关，因此 XAI 也是人机交互问题。此外，AI 走出实验室是为了在现实生活中使用。这意味着需要针对非专家用户量身定制的 XAI 解决方案。因此，我们提出了一个以用户为中心的 XAI 框架，该框架侧重于其社交互动方面，灵感来自认知和社会科学的理论和发现。该框架旨在为非专家用户提供交互式 XAI 解决方案的结构。
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。
植物与病原体相互作用中的植物防御机制
植物病原体对农作物生产造成严重破坏，对农业和自然生态系统构成威胁。深入了解植物-病原体相互作用对于制定创新的农作物疾病控制和环境保护策略至关重要（Bulasag 等人）。尽管数十年来一直致力于研究植物免疫的复杂性，但理解不同宿主和微生物之间复杂的跨界相互作用仍然具有挑战性。这本 Frontiers 电子书“植物病原体相互作用中的植物防御机制”提供了 19 篇文章，涵盖了植物与病原体之间各种机制的研究。本摘要旨在为在一系列植物-病原体相互作用中控制植物免疫的复杂机制提供新的视角和新见解。