XiaoMi-AI文件搜索系统
World File Search System不透明度
人工智能伦理学博士奖学金
人工智能伦理博士奖学金 都柏林城市大学伦理研究所现邀请申请为期四年的全额资助（津贴和注册费）博士职位，重点研究人工智能伦理。 申请截止日期：2022 年 11 月 30 日 入围候选人面试：12 月 5 日至 9 日 博士学位开始日期：2023 年 2 月 1 日 博士项目。您可以自由选择人工智能伦理一般领域内的主题。符合条件的主题示例包括机器意识和合成现象学、自主系统、人工智能道德主体、社会影响、机器伦理、自动决策系统、算法偏见、语言模型、AGI、超级智能、隐私、监视和不透明度。当然，还有许多其他符合条件的主题。申请人请起草一份 1-2 页的提案，描述他们希望在博士学位期间具体研究的内容。提案应详细说明 1) 研究目标、2) 方法论和 3) 对当前辩论的贡献。研究环境。在攻读博士学位期间，您将参与两个研究中心：伦理学研究所和 ADAPT 研究中心。伦理学研究所涵盖广泛的主题，因为它从事科学、技术、医疗保健、商业、媒体和政府领域新兴问题的伦理分析。ADAPT 研究中心是世界领先的爱尔兰科学基金会人工智能驱动数字内容技术研究中心。该项目将由伦理学研究所所长兼 ADAPT 研究中心资助研究员 Bert Gordijn 教授监督。根据博士研究的具体主题，其他研究人员可能会被添加到监督团队中。候选人简介。理想的候选人已完成哲学或 STS 硕士或同等学位。如果您能证明自己在分析/概念问题和规范论证方法方面的专业知识，并且与拟议研究项目的主题密切相关，其他硕士学位也会被考虑。此外，申请人还应具备：• 优秀的学术记录以及与经验相关的研究和分析能力• 优秀的学术写作和演讲技巧• 将严谨的理论工作与实际应用相结合的能力• 独立工作和团队合作的能力• 对将哲学分析与其他相关学科和社会挑战联系起来的跨学科工作有浓厚的兴趣。• 在学术和非学术环境中具有良好的社交和沟通技巧• 高水平的英语书面和口语能力（请参阅 DCU 对英语语言技能的要求；申请人必须确保在提交申请之前满足这些要求。• DCU 的一般入学要求（请参阅此处的一般入学要求）
同种异体困境深层前层角膜成形术（...
健康的角膜上皮不断被源自角膜缘角膜层状干细胞的细胞更新[1]。几种病理条件会损害这些细胞，导致干细胞缺乏症（LSCD），其中纤维血管结膜上皮取代了甲状腺上皮细胞。一小部分的边缘干细胞可能足以使整个角膜上皮化[2]。LSCD可能发生在先天性厌氧菌中，在重复的眼科手术后对边缘的热或化学损害后创伤后发生，或与眼表面的慢性炎性疾病有关。LSCD经常导致受影响的眼睛的功能失明[3]。除了表面不透明度和复发性上皮缺陷外，这些患者还经常还具有质状疤痕，稀疏或角膜穿孔的经常性基质溃疡[4，5]。如果传统的穿透性角化膜成形术是在与基质病理和LSCD结合的眼睛中进行的，则很可能对最初清晰的移植物的结膜化，角膜内皮恢复和随后的移植失败。在LSCD中，必须嫁接边缘干细胞或替代性表演干细胞，以确保角膜表面足够的上皮覆盖范围。同种异体穿透性中央环境成形术使用供体角膜的分散式三角形成移植物，该移植物包含额外的边缘组织几个时钟小时[6-8]。这种方法首先由Sundmacher和Reinhard等人在1996年描述。并在接下来的几年中进一步发展。我们命名[6-8]具有长达40％圆周的一个新月形边缘区域的供体组织将其集中植入受体的角膜中[1，6，7]。在这种移植后，拒绝通常不仅对移植的边缘干细胞，而且还会发生在同种异体角膜内皮上，即使进行全身免疫抑制治疗也是如此[1，9]。在过去的20年中，在许多地区，各种适应症的层状角膜移植数量稳步增加[10]。层状程序，例如降落剥离自动内皮角膜造口术（DSAEK），降落膜膜内皮性角膜膜成形术（DMEK）（DMEK）或深层层状角膜置换术或深层层状角化膜成形术（DALK）提供了超过渗透性的依从性依赖的依从性的（dalk），该依赖的陪伴下层的陪伴下层，并获得了陪伴的陪伴。角膜疾病。Dalk比PK的优势是术后较高的内部细胞计数，并且由于缺乏内皮排斥而导致内皮失代偿的风险较低[11-13]。一份病例报告描述了两种情况下的双侧边缘干细胞缺乏症的深层前层状环膜成形术。然而，使用了直径11至11.5 mm的移植物，其中包括整个角膜，包括边缘[14]。我们假设一种替代性的，甚至更多的组织较高的方法，其中选择了正常的移植直径，类似于困境角化膜成形术技术，同时保留了患者自己的内皮。这确保了在伤口愈合的初始阶段，通常对通常的血管巩膜和结膜有所不同，这伴随着炎症活性的增加。此外，这种方法允许在即将发生的角膜锻炼的紧急情况下进行更安全的解剖，其中广泛的大直径角膜剖定增加了降膜膜的穿孔风险。我们提出，在保留受体的健康内皮细胞的同时，在执行Limbo-kerato-plasty时，内皮失代偿率较低。
![arXiv:2009.05487v3 [cs.AI] 2021 年 8 月 26 日](/simg/3\3c87b68027f137968ab7fa405274c3bf872022b1.png)
arXiv:2009.05487v3 [cs.AI] 2021 年 8 月 26 日
机器学习 (ML) 正在改变着工业、科学和社会。如今，ML 算法可以在理发店预约（Leviathan 和 Matias，2018 年）、根据蛋白质的氨基酸序列确定其 3D 形状（Senior 等人，2020 年），甚至可以撰写新闻文章（Brown 等人，2020 年）。仔细观察这些发展，我们发现模型越来越复杂。不同的 ML 模型以启发式方式堆叠在一起，但理论支持有限（Hutson，2018 年）。在某些应用中，只要算法在大多数情况下表现良好，复杂性可能就不是问题。然而，在社会、认识论或安全关键领域，复杂性可能会排除 ML 解决方案——例如自动驾驶、科学发现或刑事司法。高度复杂算法的两个主要缺点是模糊性问题（Lipton，2018 年）和对抗性攻击（Szegedy 等人，2014 年）。模糊性问题描述了人类对 ML 算法内部运作的有限认知访问，尤其是关于参数的语义解释、学习过程和 ML 决策的人为可预测性（Burrell，2016 年）。这种可解释性的缺乏最近引起了广泛关注，从而催生了可解释人工智能 (XAI) 领域的发展（Doshi-Velez 和 Kim，2017 年；Rudin，2019 年）。人们提出了许多技术来深入了解机器学习系统（Adadi 和 Berrada，2018 年；Doˇsilovi´c 等人，2018 年；Das 和 Rad，2020 年）。与模型无关的方法尤其受到关注，因为与特定于模型的方法不同，它们的应用不限于特定的模型类型（Molnar，2019 年）。全局与模型无关的解释技术（如置换特征重要性（Fisher 等人，2019 年）或部分依赖图（Friedman 等人，1991 年））旨在理解机器学习算法的一般属性。另一方面，局部模型无关解释方法（如 LIME（Ribeiro 等人，2016 年）或 Shapley 值（ˇ Strumbelj 和 Kononenko，2014 年））旨在理解算法在特定区域的行为。解释特定模型预测的一种方法是反事实解释 (CE)（Wachter 等人，2017 年）。CE 通过提供最接近的替代输入来解释预测，该输入将导致不同的（通常是期望的）预测。CE 是我们在本文中研究的第一类对象。对抗性攻击问题描述了这样一个事实：复杂的 ML 算法容易受到欺骗（Papernot 等人，2016a；Goodfellow 等人，2015；Szegedy 等人，2014）。攻击者可以利用此类故障来伤害模特雇主或危及最终用户（Song 等人，2018）。研究对抗性攻击的领域称为对抗性机器学习（Joseph 等人，2018）。如果攻击发生在训练过程中，通过插入错误标记的训练数据，这种攻击称为投毒。如果攻击发生在训练过程之后，通常称为对抗性示例 (AE)（Serban 等人，2020 年）。AE 是类似于真实数据但被训练过的 ML 模型错误分类的输入，例如，乌龟图像被归类为 rière（Athalye 等人，2018 年）。因此，错误分类在这里意味着算法与某些（通常是人类给出的）基本事实相比分配了错误的类别/值（Elsayed 等人，2018 年）。AE 是与我们的研究相关的第二类对象。尽管不透明度问题和对抗性攻击问题乍一看似乎毫无关联，但仍有充分的理由联合研究它们。 AE 显示了 ML 模型失败的地方，检查这些失败可以加深我们对模型的理解（Tomsett 等人，2018 年；Dong 等人，2017 年）。另一方面，解释可以阐明如何改进 ML 算法，使其对 AE 更具鲁棒性（Molnar，2019 年）。缺点是，解释可能包含有关模型的太多信息，从而允许构建 AE 并攻击模型（Ignatiev 等人，2019 年；Sokol 和 Flach，2019 年）。CE 与 AE 的联系比其他解释更强。CE 和 AE 可以通过解决相同的优化问题 1 来获得（Wachter 等人，2017 年；Szegedy 等人，2014 年）：
RX J1604中的过渡磁盘的定量极化法。 ...
上下文。原月球磁盘中尘埃的表征对于更好地理解形成行星的组成和这些系统中的尘埃颗粒演化很重要。目标。我们的目的是通过分析VLT/Sphere的Zimpl和Irdis子仪器，通过分析Zimpl和Irdis子仪器获得的多波长度散射光强度和极化图像，以准确表征面对面过渡磁盘中灰尘的性质。方法。我们从ESO档案中使用了RX J1604的档案数据，并仔细纠正了仪器效应的极化信号，还考虑了星际极化。我们测量了r，j和h频段中的方位角极化qφ（r）的磁盘的径向曲线，并由于视力和其他效果而描述了我们数据中数据中的变化。，我们通过将数据与观测值的点扩散函数进行比较，从而得出了磁盘，质量Qφ（r）的固有极性分析。我们还测量了磁盘强度，i磁盘（R），并为J和H带的参考星差成像。这为r，j和h频段提供了磁盘集成的极化强度ˆqφ / i⋆，以及对于j和h频段的平均分数极化，平均分数极化。我们研究了散射光和恒星附近的热尘产生的阴影的方位角依赖性。最终将衍生的结果与模型计算进行了比较，以限制RX J1604中反射粉尘的散射特性。结果。92±0。RX J1604是北斗源，数据显示出不同种类的可变性。然而，对重复调查的详细分析表明，结果不受浸入事件或大气看差异的影响。我们得出了固有极化强度ˆqφ（r） / i⋆的精确径向磁盘轮廓，并由于灰尘不透明度的波长依赖性而测量不同频段的不同轮廓半径。磁盘集成的极化为ˆqφ / i = 0。04％的R频段和1。 51±0。 j频段为11％，表明磁盘的极化反射率的红色。 磁盘的强度是i磁盘 / i = 3。 9±0。 在J频段中为5％，而J带的分数极化为⟨ˆpφ⟩= 38±4％，H频段为42±2％。 与Rx J1604的IR多余的比较产生了大约λI≈0的明显磁盘反照率。 16±0。 08。 我们还发现，在R频段数据中看到的先前描述的阴影可能受到校准误差的影响。 我们使用用于过渡磁盘的尘埃散射模型得出，近似于散射反照率ω≈0的J带值。 5，散射不对称g≈0。 5，并散射极化P最大≈0。 7粉尘。 结论。 RX J1604的明亮磁盘具有非常简单的轴对称结构，因此非常适合作为基准对象，用于精确的光极化测量。 我们得出了磁盘极化的值，⟨ˆpφ⟩和明显的磁盘反照率λi，用于J频段。04％的R频段和1。51±0。j频段为11％，表明磁盘的极化反射率的红色。磁盘的强度是i磁盘 / i = 3。9±0。在J频段中为5％，而J带的分数极化为⟨ˆpφ⟩= 38±4％，H频段为42±2％。与Rx J1604的IR多余的比较产生了大约λI≈0的明显磁盘反照率。16±0。08。我们还发现，在R频段数据中看到的先前描述的阴影可能受到校准误差的影响。我们使用用于过渡磁盘的尘埃散射模型得出，近似于散射反照率ω≈0的J带值。5，散射不对称g≈0。5，并散射极化P最大≈0。7粉尘。结论。RX J1604的明亮磁盘具有非常简单的轴对称结构，因此非常适合作为基准对象，用于精确的光极化测量。我们得出了磁盘极化的值，⟨ˆpφ⟩和明显的磁盘反照率λi，用于J频段。因为⟨ˆpφ⟩和λI主要取决于灰尘散射参数，而仅弱于磁盘几何形状，因此这些参数定义了ω和p max之间以及ω和g之间的灰尘散射参数的紧密关系。偏光反射率的正r到J带颜色（量qφ / i⋆）j≈1。64·（ˆqφ / i⋆）r，主要是由于尘埃参数的波长依赖性的结果，因为预计散射几何形状对于不同颜色的散射几何形状非常相似。这项工作证明了对于确定灰尘散射参数的准确光偏光测量的潜力，该测量强烈限制了灰尘的物理特性。