XiaoMi-AI文件搜索系统
World File Search Systemplain
引文 Fadhel FH、Sufyan NS、Alqahtani MMJ 和 Almaamari AA (2024) 对 COVID-19 的焦虑和恐惧是解释疫苗犹豫的潜在机制
冠状病毒继续对全球公共卫生构成重大挑战，新变种的出现需要进一步努力来控制和管理病毒。在这种情况下，接种疫苗是限制 COVID-19 大流行蔓延的重要方法。然而，疫苗犹豫是阻碍遏制冠状病毒努力的最重要和最具影响力的问题之一；它与其他对疫苗接种有直接或间接影响的因素有关，包括心理因素 ( 1 , 2 )。然而，在中东和阿拉伯国家，COVID-19 疫苗犹豫与心理健康之间的关联尚未得到充分研究。因此，确定这些心理因素以制定干预措施和促进疫苗接受度非常重要 ( 3 )。多项研究发现，在 COVID-19 大流行期间，普通公众或医护人员中精神健康障碍的患病率增加，尤其是焦虑、恐惧和抑郁 ( 1 , 4 )。这些研究结果虽然有用，但并未超越疫情爆发到疫苗接种阶段，它们探讨了精神健康障碍，但并未将其与 COVID-19 疫苗犹豫直接联系起来，而且它们解释某些人为何不愿接种疫苗的能力仍然有限 (5)。研究人员一致表示，在 COVID-19 大流行期间报告的焦虑和抑郁症状的增加可能对疫苗犹豫产生影响 (6)。然而，先前针对这一问题的研究结果存在显著差异。例如，由于社交限制而每天感到焦虑、悲伤和烦躁的参与者对疫苗犹豫不决，而仅在某些日子报告同样感受的参与者犹豫不决较少 (7)。其他研究表明，报告有焦虑或抑郁症状的人对疫苗犹豫较少 (5)。虽然焦虑、恐惧和其他心理障碍似乎是疫苗犹豫的原因之一，但心理障碍和犹豫之间的关系可能是相互的。对疫苗安全性和有效性的担忧以及可能的副作用会引发疫苗犹豫和抵制。因此，犹豫不决的个人与社会直接对抗，因此会面临更多
可解释人工智能课程大纲 2024 年春季 - UT iSchool
未经我书面明确许可，不得在线或与课外任何人共享本课程中使用的任何材料，包括但不限于讲义、视频、评估（测验、考试、论文、项目、家庭作业）、课堂材料、复习表和其他问题集。未经授权共享材料可能会助长作弊行为。大学了解用于共享材料的网站，任何与您相关的在线材料或任何疑似未经授权共享材料的行为都将报告给学生主任办公室的学生行为和学术诚信部门。这些报告可能导致启动学生行为流程，并包括对学术不端行为的指控，可能导致制裁，包括影响成绩。
人工智能解释 - （教师版）
● 人工智能通过分析数据或信息进行学习。● 你给人工智能的信息越多，它完成任务的准确性就越高。这就像教狗知道什么是玩具。● 你给狗接触玩具（数据）的机会越多，它就越能知道如何区分什么是玩具，什么不是玩具。
将糖尿病与血栓形成风险增加的分子机制
抽象可解释的人工智能（XAI）在实现明智决定的过程中发挥了作用。现代各种供应链（SC）平台的出现改变了SC相互作用的性质，导致了显着的不确定性。这项研究旨在对现有的有关决策支持系统（DSS）的文献进行彻底分析，并在SC领域内对XAI功能的结合。我们的分析揭示了XAI对SC领域决策过程的影响。本研究利用Shapley添加说明（SHAP）技术使用Python机器学习（ML）过程分析在线数据。解释性算法是专门为通过为其产生的预测提供理由来提高ML模型的清醒性的。本研究旨在建立可衡量的标准，以识别XAI和DSS的组成部分，从而在SC的背景下增强决策。这项研究评估了对他们做出预测的能力，在线数据集的利用，所检查的变量数量，学习能力的发展以及在决策背景下进行验证的研究，强调了需要在不确定条件下涉及智能决策的其他探索领域的研究领域。
3.13 可解释的游戏人工智能
首先，我们研究了生成超级马里奥关卡的不同可能性。TOAD-GAN [ 3 ] 仅使用一个示例即可进行训练。该方法还使用户能够通过更改代表生成器网络输入的噪声向量来控制生成过程的输出。由于设计师无法解释噪声向量，因此设计师仍然无法根据自己的需求设计内容。为了实现这一点，必须让设计师能够解释噪声向量，并将噪声向量的不同区域映射到噪声向量变化所产生的内容。生成超级马里奥关卡的另一种方法是使用带有图块集的进化算法 [ 4 ]。图块集强制输出的一致性，而 Kullback-Leiber 散度
可解释的人工智能和机器学习
摘要 人工智能 (AI) 和机器学习 (ML) 正在彻底改变人类各个领域的活动，医学和传染病也未能幸免于其快速而指数级的增长。此外，可解释的 AI 和 ML 领域已变得尤为重要，并吸引了越来越多的关注。传染病已经开始受益于可解释的 AI/ML 模型。例如，它们已被用于或提议用于更好地理解旨在改善 2019 年冠状病毒病诊断和管理的复杂模型、抗菌素耐药性预测领域和量子疫苗算法中。尽管一些有关可解释性和可解释性二分法的问题仍需认真关注，但深入了解复杂的 AI/ML 模型如何得出预测或建议，对于正确应对本世纪传染病日益严峻的挑战变得越来越重要。
人工智能可解释性白皮书
- 从数据中可以了解到虚假相关性，这通常会妨碍模型的泛化能力并导致糟糕的现实世界结果。 - 失去可调试性和透明度，导致信任度低以及无法修复或改进模型和/或结果。此外，这种缺乏透明度阻碍了这些模型的采用，特别是在受监管的行业，例如银行和金融或医疗保健。 - 代理目标导致模型离线执行（通常是匹配代理指标）与部署在应用程序中时的性能之间存在很大差异。 - 由于模型从业者在有问题的情况下本地调整模型行为的能力下降而失去控制。 - 不良的数据放大反映了与我们的社会规范和原则不一致的偏见。
在对抗上下文中可解释的人工智能
人工智能（AI）方法是现代世界不可或缺的一部分。如今，每个与智能手机互动的人都与AI接触（Herget，2024）（Wired Insider，2021）。 自从大型语言模型（LLMS）（CF（BSI，2024a）易于获得BSI的评论）以来，公众对AI存在的意识已广泛传播。 但是，自引入LLM之前，AI算法支持或自动执行决策过程。 Propublica的报告，即预测模型用于确定美国犯罪嫌疑人的累犯风险，受到了很大的关注（Angwin等，2016）。 在金融领域，基于AI的预测模型用于支持贷款申请的决定或预测金融市场的发展（Aziz等，2022）。 此外，使用基于AI的决策支持系统进行诊断和治疗患者的治疗，目前已在医学中进行了研究或部分实施（社论，2024年）（皇家放射学院，等，2023）（BSI，2024年）。 这些是高度敏感的领域，在这种领域中，错误的决定可能会对公民造成社会，法律，财务或健康损害。如今，每个与智能手机互动的人都与AI接触（Herget，2024）（Wired Insider，2021）。自从大型语言模型（LLMS）（CF（BSI，2024a）易于获得BSI的评论）以来，公众对AI存在的意识已广泛传播。但是，自引入LLM之前，AI算法支持或自动执行决策过程。Propublica的报告，即预测模型用于确定美国犯罪嫌疑人的累犯风险，受到了很大的关注（Angwin等，2016）。在金融领域，基于AI的预测模型用于支持贷款申请的决定或预测金融市场的发展（Aziz等，2022）。此外，使用基于AI的决策支持系统进行诊断和治疗患者的治疗，目前已在医学中进行了研究或部分实施（社论，2024年）（皇家放射学院，等，2023）（BSI，2024年）。这些是高度敏感的领域，在这种领域中，错误的决定可能会对公民造成社会，法律，财务或健康损害。
在潜在空间上实施稀疏性，以促进可靠和可解释的表示
最近，密集的潜在变量模型已显示出令人鼓舞的结果，但是它们的分布式和潜在的代码使它们降低了易于解释，并且对噪声的影响较低。另一方面，稀疏表示更为简约，提供了更好的解释性和噪声稳健性，但是由于涉及的复杂性和计算成本，很难实现稀疏性。在此过程中，我们提出了一种新颖的无监督学习方法，以利用逐渐稀疏的尖峰和平板分布作为我们的先验，以在发电机模型的潜在空间上强化稀疏性。我们的模型由自上而下的发电网络组成，该网络将潜在变量映射到观测值。我们使用最大似然采样来推断发电机后方向的潜在变量，并且推理阶段的尖峰和平板正则化可以通过将非信息性潜在维度推动到零来引起稀疏性。我们的实验表明，学到的稀疏潜在表示保留了大多数信息，我们的模型可以学习解开的语义，并赋予潜在代码的解释性，并增强分类和denosing任务的鲁棒性。