XiaoMi-AI文件搜索系统
World File Search System中值
solarpunk作为制造商虚构在这里谁负责？一项有关可变自主机器人系统中值得信赖的AI的调查
本文调查了可变自治（VA）机器人文献，该文献考虑了值得信赖的AI的两个贡献元素：透明度和解释性。在设计和采用机器人系统时，这些要素应发挥至关重要的作用，尤其是在弗吉尼亚州，对系统自治水平的较差或不合时宜地调整可能会导致错误，控制冲突，用户挫败感和最终失败的系统。尽管需要这种需要，但据我们所知，透明度和解释性是在VA机器人文学中被忽略的，或者不明确地被视为。在本文中，我们旨在介绍和研究有关透明度和解释性的VA文献的最新贡献。此外，我们提出了一种思考VA的方式，通过基于以下方式打破这两个概念：人机团队的使命；利益相关者是谁？需要透明或解释的是什么；他们为什么需要它；以及如何实现。最后，我们提供了见解，并提出了推动VA研究向前发展的方法。我们的本文目标是提高可信赖的AI和VA机器人社区之间的认识和社区间讨论。
让人工智能在多模式和医疗保健场景中值得信赖
事实证明，人工智能 (AI) 能够有效地支持决策过程 [1]，尤其是深度学习技术已经取得了最先进的性能 [2]。尽管在多个应用中取得了令人印象深刻的预测精度，但仍然需要解释所提出的学习模型的决策。因此，可解释人工智能 (XAI) 引起了科学界越来越多的兴趣 [3、4、5]，因为深度神经网络等模型的复杂性使得用户无法理解和验证决策过程。XAI 旨在深入了解这些系统的行为和过程，确保算法的公平性，识别训练数据中的任何潜在偏差，并使复杂的 AI 模型对人类更加透明和易于理解 [5]。在有关 XAI 的文献越来越多的情况下，我们实验室正致力于三个问题。第一个问题涉及处理时间序列 (TS) 数据的深度学习 (DL) 模型的可解释性。事实上，存储和注册数据的能力不断提高，增加了时间数据集的数量，提高了对 TS 分类模型的关注，并提出了解释其决策的必要性。在此背景下，我们介绍了三种 XAI 方法在现实世界中对远程信息数据进行异常检测的多模态任务中的应用和评估。我们应对了挑战
阿尔茨海默氏病中值得信赖的人工智能
人工智能（AI）的摘要医学应用在为医疗专业人员和患者提供支持复杂任务时始终表现出色。尽管如此，如果为患者，医疗专业和监管机构提供了信任AI系统提供的结果的机制，则在涉及高级决定的敏感临床领域中使用这些应用可能会更加广泛。实现这一目标的关键问题是赋予具有值得信赖的AI（TAI）关键维度的AI系统，例如公平，透明度，鲁棒性或问责制，通常以广义和系统的方式在此上下文中不考虑它们。本文回顾了TAI领域的最新进展，包括TAI标准和准则。我们建议在TAI系统的设计，开发和部署中解决一些要求，并提出一种新型的机器学习管道，其中包含TAI要求作为嵌入式组件。此外，作为当前医学中当前AI系统如何考虑TAI观点的一个例子，该研究广泛回顾了近期的文献（2017- 2021年）对流行和高社会影响力疾病的AI系统：对阿尔茨海默氏病（AD）的诊断和进展检测。从AD域中最相关的AI系统进行了比较和讨论（例如机器学习，深度学习，合奏，时间序列和多模式多任务），从它们如何在设计中解决TAI的角度。强调了几个公开挑战，这可以被认为是证明AI系统在实际临床环境中罕见应用合理的主要原因之一。该研究提供了一个路线图来衡量AI系统的TAI状态并突出显示其局限性。此外，它提供了克服这些局限性并在医疗领域中构建基于医学信任的AI应用程序的主要准则。
临床医生指南：心血管成像中值得信赖和负责任的人工智能
1 威廉哈维研究所、NIHR Barts 生物医学研究中心、伦敦玛丽女王大学、伦敦、英国、2 Barts 心脏中心、圣巴塞洛缪医院、Barts Health NHS Trust、伦敦、英国、3 塞梅维斯大学心血管中心、布达佩斯、匈牙利、4 心血管医学科、拉德克利夫医学系、国家健康研究所牛津生物医学研究中心、牛津大学医院 NHS 基金会、牛津大学、英国、5 数学与信息学系、医学人工智能实验室 (BCN-AIM)、巴塞罗那大学、西班牙、6 西门子医疗匈牙利、布达佩斯、匈牙利、7 放射学系、塞梅维斯大学医学影像中心、布达佩斯、匈牙利、8 英国健康数据研究中心、伦敦、英国、9 阿兰图灵研究所、伦敦、英国
使用双级中值滤波器实时消除运动伪影
功能性近红外光谱 (fNIRS) 是一种新兴的非侵入式脑机接口 (BCI) 技术。快速获取精确的脑信号对于成功的 BCI 至关重要。本文研究了一种实时滤波技术，以消除 fNIRS 信号中的运动伪影 (MA) 和低频漂移。使用文献中的气球模型和实验范例生成两种波长的光强度。生成两种类型的 MA（尖峰状和阶梯状）和低频漂移，并将其添加到模拟的两种波长的光强度中。提出了一种新的双级中值滤波器 (DSMF) 来恢复未受污染的信号。使用五个评估指标来确定双滤波器的最佳窗口大小：第一个中值滤波器为 4 s 和 9 s，第二个中值滤波器为 18 s。使用相同的指标将所提出的方法与基于小波的 MA 校正方法和样条插值方法进行了比较。结果表明，所提方法在衰减 MA 和信号失真方面优于比较方法。最后，将设计的 DSMF 应用于来自八名健康受试者的实验数据，其中通过要求受试者摇头来引入 MA。所提方法的滤波数据显示信号干净，没有 MA 和低频漂移。
医疗保健中值得信赖的人工智能系统的共同设计
Error 500 (Server Error)!!1500.That’s an error.There was an error. Please try again later.That’s all we know.