XiaoMi-AI文件搜索系统
World File Search System可理解性
Unicaja Banco，S.A。
，这种补充是为基本招股说明书（EU）的基本招股说明（EU）2017/1129的目的，以及2017年6月14日的欧盟理事会的2017年6月14日的招股说明书，何时将证券出版给公众，或者以2003/71/71/71/71/EC的贸易贸易，并曾经是eC的贸易。根据《招股说明书法规》和《西班牙证券市场法》（Law 6/2023，3月17日，莱伊6/2023，de 17 de Marzo，de Los Mercados de Valores de valores d de los servicios de law law law law''在西班牙证券市场委员会（ComisiónNacionunnacional del Mercado de Valores，“ CNMV”）作为主管机构和《西班牙证券市场法》（Law 6/2023，De 17 de 17 de 17 de 17 de 17 de Marzo）（ley 6/2023），作为主管机构。CNMV仅批准该补充，以符合招股说明书法规施加的完整性，可理解性和一致性的标准。
模拟模型和通用机器。Greif Hans Joachim 的范式：人工智能中的认知透明度，思想与机器，Springer，第 32 卷，第 1 期，2022 年，第 111-133 页，DOI：10.1007/s11023-022-09596-9
摘要 人工智能 (AI) 中的认识论不透明问题通常被描述为不透明算法导致不透明模型的问题。然而，人工智能模型的透明度不应被视为其算法属性的绝对衡量标准，而应被视为模型对人类用户的可理解程度。它的认识论相关元素将在计算层面之上和之外的各个层面上指定。为了阐明这一说法，我首先将计算机模型及其基于算法的普遍性主张与控制论风格的模拟模型及其对模型元素和目标系统之间结构同构的主张进行对比（收录于：Black，模型与隐喻，1962 年）。模拟模型旨在实现感知或概念上可访问的模型-目标关系，而计算机模型则导致这些关系中一种特定的不确定性，需要以特定的方式解决。然后，我对两种当代人工智能方法进行了比较，这两种方法虽然相关，但明显与上述建模范式一致，并代表了实现模型可理解性的不同策略：深度神经网络和预测处理。我得出的结论是，它们各自的认知透明程度主要取决于建模的根本目的，而不是它们的计算属性。
使用...增强地对机通信
地面站与机载站之间的语音通信基于模拟 DSB–AM 调制，使用 117.975–137.000 MHz 频段。为了确保正确理解消息，使用国际民用航空组织 (ICAO) 标准化的特殊用语 [1], [2]。它由一系列关键词组成（例如确认、确认、清除、确认、结束、报告、收到），需要使用特殊的拼写系统，包括字母（A – alpha、B – bravo、C – Charlie、D – delta 等）和数字（4 – fower、9 – niner），数字发音（每个数字单独发音，但允许使用“千”、“百”和“十进制”等词）。为提高可理解性，采用了特殊方案：“复读”—— 按照收到的信息重复此消息，“再说一遍”—— 重复整个传输或上次传输的一部分，“说得慢一点”—— 降低语速，“说两遍”—— 此消息中的每个单词或词组都发音两次。尽管如此，有些消息仍然会被误解，尤其是对于英语有问题的飞行员而言。 以图形方式表示消息的最重要元素（例如，飞行参数的数值，如飞行高度、航向、失控编号）将有助于理解地面站发送的消息。这需要随语音消息传输数字信息。 如何传输此类数字信息
人类知识在可解释人工智能中的作用
摘要：随着机器学习模型的性能和复杂性在过去几年中显著增长，开发描述其行为的方法的需求也日益增加。这种需求主要是由于黑盒模型的广泛使用而产生的，黑盒模型即高性能模型，其内部逻辑难以描述和理解。因此，机器学习和人工智能领域面临着一个新的挑战：通过适当的技术使模型更易于解释。可解释性方法的最终目标是忠实地向用户描述（黑盒）模型的行为，使用户能够更好地理解其逻辑，从而增加对系统的信任和接受度。不幸的是，最先进的可解释性方法可能不足以确保从人类角度完全理解解释。因此，人机交互方法已被广泛用于增强和/或评估机器学习模型的解释。这些方法侧重于收集人类知识，然后人工智能系统可以使用这些知识或让人类参与其中以实现其目标（例如，评估或改进系统）。本文旨在概述通过人机交互方法收集和使用人类知识来改善和评估机器学习模型的可理解性的文献。此外，本文还讨论了可解释性方面的挑战、最新进展和未来趋势。
“让我解释一下！”：探索虚拟代理在可解释人工智能交互设计中的潜力
摘要虽然近年来人工智能研究领域受益于日益复杂的机器学习技术，但由此产生的系统却缺乏透明度和可理解性，尤其是对于最终用户而言。在本文中，我们探讨了将虚拟代理纳入可解释人工智能 (XAI) 设计对最终用户感知信任的影响。为此，我们基于一个简单的语音识别系统进行了关键字分类用户研究。通过这项实验，我们发现虚拟代理的集成可以提高用户对 XAI 系统的信任度。此外，我们发现用户的信任在很大程度上取决于用户代理界面设计中使用的模式。我们的研究结果显示出一种线性趋势，其中代理的视觉存在与语音输出相结合比单独的文本输出或语音输出产生更大的信任度。此外，我们分析了参与者对所呈现的 XAI 可视化的反馈。我们发现，增加虚拟代理的人性化和与虚拟代理的交互是如何改进所提出的 XAI 交互设计的两个最常见的提及点。基于这些结果，我们讨论了当前的局限性以及在 XAI 领域进一步研究的有趣主题。此外，我们为未来的项目提出了 XAI 系统中虚拟代理的设计建议。
![arXiv:2008.07993v3 [cs.AI] 2020 年 12 月 23 日](/simg/9\939838d66b2e0413ce4f4008e8dd3e68d9dc776e.png)
arXiv:2008.07993v3 [cs.AI] 2020 年 12 月 23 日
摘要。预测性业务流程监控 (PBPM) 是一类旨在预测运行轨迹中的行为（例如下一个活动）的技术。PBPM 技术旨在通过向流程分析师提供预测来提高流程性能，支持他们进行决策。然而，PBPM 技术的有限预测质量被认为是在实践中建立此类技术的主要障碍。通过使用深度神经网络 (DNN)，可以提高该技术的预测质量，以完成诸如下一个活动预测之类的任务。虽然 DNN 实现了良好的预测质量，但由于其学习表示的分层方法，它们仍然缺乏可理解性。尽管如此，流程分析师需要理解预测的原因，以确定可能影响决策的干预机制，以确保流程性能。在本文中，我们提出了 XNAP，这是第一个可解释的基于 DNN 的 PBPM 技术，用于下一个活动预测。 XNAP 集成了可解释人工智能领域的分层相关性传播方法，通过提供活动的相关性值，使长短期记忆 DNN 的预测可解释。我们通过两个现实生活中的事件日志展示了我们的方法的优势。
人工智能语音教育对英语词汇习得的影响
正确的发音能显著提高沟通的可理解性。然而，掌握单词的发音是否能提高单词的记忆能力尚不确定。因此，本研究的主要目的是评估借助人工智能发音习得词汇是否能延长记忆时间。本研究采用全实验模式，前测和后测对照组设计。此外，共56名14-15岁的高中生被要求用两种发音教学方法记忆未知词汇。在实验过程之前，对两组进行前测，然后在第4、8和12周对实验组进行基于人工智能的语音识别发音教学过程，对对照组进行语音字母发音教学过程。根据研究结果，通过人工智能进行发音练习可以使单词在记忆中停留更长时间。此外，在研究结束时收集了参与者的观点。为了进一步研究，本研究将利用新的人工智能支持的发音模型，通过记录和响应学习者使用不同语言的发音练习，为其他研究提供各种可用的工具，以实现目标。关键词：人工智能、语音识别、词汇习得、发音、高中生
面向人类可解释人工智能的模糊系统及其应用特刊
（投稿截止日期为 2020 年 10 月 31 日） 1. 目的和范围 模糊系统是计算智能领域最重要的进步之一，由于它由人类的推理和决策模型组成，因此在许多数据科学场景中都表现出出色的模糊建模能力。通过基于模糊规则的系统和算法之间的协作，有助于进一步理解人工智能，特别是机器学习的准确性和可解释性，从而获得人类可解释的人工智能模型。目前，基于人工智能的模型的目标不仅是实现最高的准确性，而且还要对其用户和开发人员具有可解释性。从这个意义上说，模糊系统保留了可揭示的可理解性的原始性质并提高了其建模能力，在处理人类可解释的人工智能方面优于其他方法。本期特刊旨在收集一系列关于模糊系统的优秀研究，以期朝着可用人类推理解释的人工智能领域迈进。这将简要介绍人类可解释的人工智能这一新兴领域的最新进展。2. 涵盖的主题可能的主题列表包括但不限于：
构思 XAI：探索 AI 用户心智模型
摘要 — 人工智能 (AI) 在社会中发挥着重要作用，包括如何做出至关重要、往往改变生活的决定。因此，近年来，人们对可解释人工智能 (XAI) 的兴趣日益浓厚，它是一种揭示通常被描述为黑匣子中的流程和操作的手段，黑匣子是一个通常不透明的系统，其决策难以被最终用户理解。本文介绍了一个有 20 名参与者（计算机科学和平面设计专业学生）参加的设计思维研讨会的结果，我们试图调查用户在与 AI 系统交互时的心理模型。参与者使用两个角色，被要求同情 AI 驱动的招聘系统的两个最终用户，识别用户体验中的痛点并构思这些痛点的可能解决方案。这些任务用于探索用户对 AI 系统的理解、AI 系统的可理解性以及如何向最终用户解释这些系统的内部工作原理。我们发现，视觉反馈、分析和比较、特征突出显示以及事实、反事实和主要推理解释可用于改善用户对人工智能系统的心理模型。
Greencoat UK Wind PLC 招股说明书 2021 年 11 月 5 日
本文件包含与 Greencoat UK Wind PLC（“公司”）有关的招股说明书（“招股说明书”），根据英国招股说明书监管条例第 3 条的规定，本文件根据英国金融行为监管局（“FCA”）根据 FSMA 第 73A 条制定的招股说明书监管规则（“英国招股说明书监管规则”）编制，且已获得 FCA 批准作为英国版欧盟招股说明书监管条例下的主管当局，因为根据 2018 年《欧盟（退出）法案》（经 2019 年《招股说明书（修订等）（欧盟退出）条例》（“英国招股说明书监管条例”）修订），其构成英国国内法的一部分。 FCA 仅批准本招股说明书符合英国招股说明书条例规定的完整性、可理解性和一致性标准，而该批准不应被视为对本公司或本招股说明书所涉新股质量的认可。本招股说明书是根据英国招股说明书条例第 14 条作为简化招股说明书的一部分编制的。投资者应自行评估投资普通股的适宜性。