XiaoMi-AI文件搜索系统
World File Search Systemxplanations
平衡同差检测的光学解释表征
在量子光学领域，精确表征各种噪声源（例如散粒噪声、电噪声和真空噪声）对于推进光学测量技术和量子信息系统至关重要。本研究介绍了一种使用同差检测将光强度波动转换为电压信号的实验方法。然后借助示波器或频谱分析仪分析这些信号，以剖析噪声的时间和频谱特性。这些工具的集成使我们能够详细观察和区分量子噪声，从而提供对提高光学系统的准确性和效率至关重要的见解。该项目主要基于两部分：光学和电子学，我们成功完成了光学部分，而电气部分有待未来研究。这些发现为改进量子噪声表征奠定了基础，促进了下一代光学和量子信息技术的发展。
以人为本的可解释人工智能（XAI）的未来不是事后解释
可解释人工智能 (XAI) 在使人类理解和信任深度学习系统方面发挥着至关重要的作用。随着模型变得越来越大、越来越普遍，并且在日常生活的各个方面都无处不在，可解释性对于最大限度地减少模型错误的不利影响是必不可少的。不幸的是，以人为中心的 XAI 中的当前方法（例如医疗保健、教育或个性化广告中的预测任务）倾向于依赖于单个事后解释器，而最近的研究发现，当应用于相同的底层黑盒模型实例时，事后解释器之间存在系统性分歧。因此，在本文中，我们呼吁采取行动来解决当前最先进解释器的局限性。我们建议从事后可解释性转向设计可解释的神经网络架构。我们确定了以人为中心的 XAI 的五个需求（实时、准确、可操作、人类可解释和一致），并提出了两种可解释设计神经网络工作流程的方案（使用 InterpretCC 进行自适应路由和使用 I2MD 进行时间诊断）。我们假设以人为中心的 XAI 的未来既不在于解释黑匣子，也不在于恢复传统的可解释模型，而在于本质上可解释的神经网络。
人机决策中的解释、公平性和适当依赖
在这项工作中，我们研究了基于特征的解释对人工智能辅助决策分配公平性的影响，特别关注从简短的文本简历中预测职业的任务。我们还研究了任何影响是如何通过人类的公平感知及其对人工智能建议的依赖来调节的。我们的研究结果表明，解释会影响公平感知，而公平感知又与人类遵守人工智能建议的倾向有关。然而，我们发现这样的解释并不能让人类辨别正确和不正确的人工智能建议。相反，我们表明，无论人工智能建议的正确性如何，它们都可能影响依赖性。根据解释强调的特征，这可能会促进或阻碍分配公平：当解释强调与任务无关且显然与敏感属性相关的特征时，这会提示覆盖与性别刻板印象相符的 AI 建议。同时，如果解释看起来与任务相关，这会引发依赖行为，从而强化刻板印象一致的错误。这些结果表明基于特征的解释不是提高分配公平性的可靠机制。
有效人类的自治政策解释 -
政策解释是描述自治系统行为的过程，在有效地将代理商的决策理由与人类合作者联系起来，对安全现实世界的部署至关重要。在有效的人类机器人团队中更为至关重要，良好的沟通允许团队通过在团队内实现价值一致性在不确定的情况下成功地适应和进步。本论文提出的提议是通过开发以人为以人为本的可解释的AI（XAI）技术来改善人机团队的，该技术使自主代理人能够通过多种方式来传达其cap骨和局限性，并教学和实现人类团队的行为作为决策Sys-tems-tems-tems-tems-tems-tems-tems-Tems和Manders belds buits ind buits int y hiri systyst in hri hri hri hri hri hi ri hri hi ri hi ri hi ri。
通过对话和解释迈向值得信赖的自主系统
自治系统在我们的社会中扮演着越来越重要的角色，但是，由于他们期望应对一系列社会，法律或技术挑战，并且基于NEU-MENAL网络的AI系统尚无法为许多这些挑战提供保证。尤其重要的是，这些系统是黑匣子决策者，侵蚀了人类的监督，竞争和代理机构。为了解决这一特殊问题，我的论文着重于将社会解释的AI与认知方法和自然语言处理整合到以室外用户访问的方式来阐明自主系统的内部过程。i提出了一种基于多代理系统中反事实模拟的决策的因果解释生成模型。我还计划将CEMA与更广泛的自然语言处理管道整合在一起，以支持针对性和个性化的解释，以解决人们的认知偏见。我希望我的研究能够通过建立更值得信赖的AI来对公众接受自主代理人产生积极影响。
Crystalbox：输入驱动的深度RL系统的基于未来的解释
我们提出了Crystalbox，这是一个新颖的，模型的，后的，后的解释性框架，用于深钢筋学习（DRL）控制器，包括包括计算机系统在内的大型输入驱动的环境。我们将奖励函数在输入驱动的环境中的自然可分解性与分解重新转弯的解释力相结合。我们提出了一种有效的算法，以在离散和连续控制环境中生成基于未来的解释。使用自适应比特率流和拥堵控制等应用程序，我们演示了Crystal-box产生高保真解释的能力。我们进一步说明了在三种实际用例中的较高效用：对比解释，网络可观察性和指导性奖励设计，而不是先前的解释性技术来识别出色的特征。
本届政府 2025 财年收入提案的一般说明
在 2025 财政年度预算中，总统提出了一系列改革措施，旨在增加收入、扩大工人和家庭的税收抵免，并改善税收管理和合规性。这些改革涵盖税收政策的所有领域，共同打造一个更加公平和高效的税收制度。例如，商业和国际税收改革将提高企业税率和企业替代最低税率，提高股票回购的消费税率，取消 100 万美元以上员工薪酬的企业税收减免，并填补几个商业税收漏洞。其他改革将加强对外国收益的征税，减少鼓励利润转移和离岸外包的税收激励措施，这与实施全球最低税率和现代化个人税收制度的历史性国际协议相一致。该协议将有助于结束企业税率的逐底竞争，为美国企业提供公平的竞争环境，同时保护美国工人。该协议还更新了我们的国际税收规则，以提供稳定性和确定性。世界各国都在制定立法来实施全球最低税率。同样，对高收入纳税人的税收改革将增加额外收入，并有助于确保对劳动和资本收入的更平等对待。收入最高的人的所得税率将提高。资本利得和股息通常将按高收入者的普通税率征税，而对于某些富裕纳税人，允许部分资本利得收入永远逃避所得税的漏洞将被消除。将对极其富有的纳税人征收新的 25% 最低所得税。对于高收入纳税人，允许一些直通企业主逃避医疗保险税的法律漏洞将被消除，医疗保险税率将提高。对于收入最高的人，包括附带权益偏好和同类交换房地产偏好在内的其他漏洞也将被消除。这些改革将大幅削减允许富人为其投资收入支付较低税率的税收优惠，并加剧收入和财富差距，包括性别、地域、种族和民族之间的差距。最后，预算将扩大工人和家庭的税收抵免，减少儿童贫困并扩大机会。儿童税收抵免将扩大至 2025 年，并将永久实现全额退还、每月确定并提前支付。改革抵免的执行将促进人们的接受。劳动所得税抵免也将扩大，以覆盖更多没有孩子的工人。2021 年《美国救援计划法案》首次颁布并在 2022 年《通胀削减法案》中延长的保费税收抵免扩展将永久化，让数百万家庭能够负担得起医疗保险。其他改革将支持住房和城市发展，取消化石燃料税收优惠，弥补遗产税和赠与税漏洞，并改善税收管理和合规性。
重新定义了强化学习的反事实解释：概述，挑战和机遇
允许将本工作的全部或一部分供个人或课堂使用的数字或硬副本授予，而没有费用，只要副本不是盈利或商业优势，并且副本带有此通知和首页上的完整引用。必须尊重他人拥有的这项工作的组件版权。允许用信用摘要。否则复制或重新出版以在服务器上发布或重新分配到列表，需要事先特定的许可和/或费用。请求权限从permissions@acm.org。
多代理系统中顺序决策的因果解释
我们介绍了CEMA：c ausal e xplanations in m ulti-themens stystems;在动态的顺序多代理系统中创建因果自然语言解释的框架，以构建更值得信赖的自主代理。与假定固定因果结构的先前工作不同，CEMA仅需要一个概率模型来正向缩减系统状态。使用这种模型，CEMA模拟了反事实世界，这些世界识别了代理决定背后的显着原因。我们评估CEMA的自动驾驶运动计划任务，并在各种模拟场景中对其进行测试。我们表明，即使存在大量其他代理商，CEMA正确地识别了代理决定背后的原因，并通过用户研究表明，CEMA的解释对参与者对自动驾驶汽车的信任具有积极影响，并且对其他参与者的高度基线解释的评价也很高。我们以注释作为HeadD数据集发布了收集的解释。
通过物理信息机器学习和 Shapley 加法解释预测定向能量沉积中的拉伸强度
在定向能量沉积 (DED) 中，局部材料微观结构和抗拉强度由零件上每个空间位置经历的热历史决定。虽然先前的研究已经调查了热历史对机械性能的影响，但仍然需要一种物理上可解释、简约且具有良好预测精度的抗拉强度预测模型。本文研究了一种基于 Shapley 加性解释 (SHAP) 模型解释的数据驱动预测模型来解决这一问题。首先，将从先前的实验工作中翻译出来的物理上有意义的热特征用作神经网络的输入，以进行抗拉性能预测。然后计算各个输入特征的 SHAP 值，以量化它们各自对抗拉性能预测的影响，并使用累积相对方差 (CRV) 度量降低模型复杂性。对实验获得的 Inconel 718 (IN718) 抗拉强度的预测表明，通过开发的方法量化的特征影响可以通过先前研究的结果来验证，从而证实了神经网络预测逻辑的物理可解释性。此外，基于CRV的模型复杂度降低表明，简约模型只需要不到10%的原始特征即可达到与先前文献报道相同的拉伸强度预测精度，从而证明了基于SHAP的特征降低方法在改进DED过程表征方面的有效性。