XiaoMi-AI文件搜索系统
World File Search System可理解的
设计和实施专家系统
摘要此摘要介绍了针对医疗领域量身定制的复杂专家系统的设计和实施。利用人工智能和知识表示技术的力量，该系统模仿了经验丰富的医疗专业人员的决策能力。所提出的系统涵盖了一个结构良好的知识库，这些知识库从权威的医疗来源汇编而成，包括各种症状，疾病和治疗方法。已经开发了可以充当系统和医疗保健提供商之间的桥梁的用户友好界面。开发的接口熟练提出了相关的问题，捕获输入数据，并以可理解的方式传达系统的发现。通过一种解释机制维持了系统决策过程的透明度，该机制证明了诊断和治疗建议的合理性，从而灌输对最终用户的信心。针对已建立的医疗基准的广泛测试和验证确保系统的可靠性和功效。由于它与医疗保健的数字化转型保持一致，因此该专家系统有可能提供快速，一致和专家支持的医疗诊断和处方。
2024年9月4日IC-327286-F6D0请求21 ...
2024年9月4日IC-327286-F6D0于2024年8月21日要求我们：我正在寻求访问：1。以任何密码过程毫无联系的纯正和可理解的语言编写和表达的决策通知，可识别的作者清晰并签署。2。权威词典阐明了决策通知中使用的任何法律条款和词语的任何法律条款和定义。3。样式手册或信息专员办公室和司法部使用的格式和语言惯例指南，以验证该命令是否符合标准实践，并协助为内部审查提供任何必要的回应。我们根据《 2000年信息自由法》（FOIA）处理了您的请求。响应我们持有的信息属于您的请求范围。我们的理解是，您请求的第一部分与IC-289638-H8B2有关。该决定通知可在此处找到：https：//ico.org.uk/media/action-weve-taken/decision-notices/2024/4030705/ic-289638-h8b2.pdf由于已经可用，因此该信息已获得，但根据foia的链接，该信息已被链接21，但您已获得链接的链接。请注意，我们不发布包含员工的决策声明
XAI-Lyricist：利用韵律解释提高 AI 生成歌词的可唱性
解释歌词的可唱性是语言模型 (LM) 在歌词生成中一项重要但缺失的能力。这项能力使作曲家能够快速评估 LM 生成的歌词是否可以与旋律和谐地唱出来，并帮助歌手在练习过程中将歌词与旋律对齐。本文提出了 XAI-Lyricist，利用音乐韵律指导 LM 生成可唱的歌词并提供人类可理解的可唱性解释。我们使用 Transformer 模型在音乐韵律约束下生成歌词，并提供歌词韵律模式的演示作为可唱性解释。XAI-Lyricist 通过计算指标（困惑度、韵律-BLEU）和以人为本的研究（人类评分、平均唱歌时间和尝试次数）进行评估。实验结果表明，音乐韵律可以显著提高 LM 生成的歌词的可唱性。一项针对 14 名歌手的对照研究也证实了所提供的解释有助于他们比阅读纯文本歌词更快地理解歌词的可唱性。
超越体素预测的不确定性：识别值得信赖的脑损伤
摘要。深度神经网络已成为自动分割 3D 医学图像的黄金标准方法。然而，由于缺乏对提供的结果进行可理解的不确定性评估，临床医生仍然无法完全接受它们。大多数量化不确定性的方法，例如流行的蒙特卡罗 dropout，都限制了体素级预测的某种不确定性。除了与真正的医学不确定性没有明确的联系外，这在临床上也不令人满意，因为大多数感兴趣的对象（例如脑病变）都是由体素组组成的，而体素组的整体相关性可能不会简单地归结为它们各自不确定性的总和或平均值。在这项工作中，我们建议使用创新的图形神经网络方法超越体素评估，该方法由蒙特卡罗 dropout 模型的输出训练而成。该网络允许融合三个体素不确定性估计量：熵、方差和模型置信度；并且可以应用于任何病变，无论其形状或大小如何。我们证明了我们的方法在多发性硬化症病变分割任务中的不确定性估计的优越性。
自主卫星发射和组装 (SATLASS)
该项目研究了可连接空间站模块（自主卫星发射和组装 SATLASS）的开发，以便在轨道上组装和部署可定制的立方体卫星。概念设计使用定量和定性方法进行了优化，以确保与现代技术的兼容性和总体成本效益。因此，确定 SATLASS 的结构将是一个可扩展模块，具有复合芳香族聚酰胺增强囊和雌雄同体的国际停泊和对接机制 (IBDM) 端口，将分五个阶段实现完全轴向扩展。此外，确定立方体卫星的电子设备和有效载荷将使用机械臂组装，而 3D 打印机将制造标准化框架，Nanoracks 立方体卫星部署器 (NRCSD) 将操作卫星的部署。最后，报告确定了未来的研究领域，例如软件要求、通信、操作和成本，并承认当前设计中需要解决的关键问题，以实现可理解的 SATLASS 设计。目前，该报告尚处于初稿，修订会议将于2022年4月举行。
通过...
摘要：但是，随着机器学习（ML）模型越来越多地嵌入必须做出的关键决策中，可解释性成为关键功能，因为我们需要确保透明度和对自动化系统的信任。当前，尚无旨在处理复杂或不完整数据的可解释性方法，这严重限制了其对现实世界问题的应用。在本文中，我使用不完整信息（ECII）算法的增强概念归纳来介绍通过引入自动化概念诱导来增强ML的可解释性。使用描述逻辑和域特定背景知识的使用可以通过使用ECII算法来生成有关ML决策的直观，可理解的解释。我们讨论了该算法的方法，它与描述逻辑的集成，并在几个域中呈现其应用程序，并证明其关闭了复杂的ML模型输出和用户频道解释性之间的低点。关键字：机器学习，可解释性，不完整信息（ECII），描述逻辑，不完整数据，自动概念诱导，特定领域特定知识，AI中的透明度。
算法决策中的透明度
摘要：通过算法决策系统在各个领域的传播，人们对它们的不透明和潜在的道德后果的关注得到了提高。通过促进可解释的机器学习模型的使用，本研究解决了这些系统中开放性和道德责任的关键要求。可解释的模型提供了对决策的制定方式的透明且可理解的描述，而不是复杂的黑盒算法。用户和利益相关者需要这种开放性，以便理解，验证和负责这些算法的决定。此外，可解释性通过使检测和减少偏见更容易促进算法结果中的公平性。在本文中，我们概述了算法不透明度带来的困难，强调了在各种环境中解决这些困难的关键，包括涉及医疗保健，银行业，刑事司法等的困难。从线性模型到基于规则的系统再到替代模型，我们对可解释的机器学习技术进行了彻底的分析，突出了它们的好处和缺点。我们建议，将可解释的模型纳入算法的设计和使用可能会导致AI在社会中更负责任和道德应用，最终使人们和社区受益，同时降低与不透明决策过程相关的风险。
知识图谱上的可理解人工智能
人工智能应用逐渐走出研究实验室的安全墙，侵入我们的日常生活。知识图谱上的机器学习方法也是如此，自 21 世纪初以来，其应用稳步增长。但是，在许多应用中，用户需要对 AI 的决策进行解释。这导致对可理解人工智能的需求增加。知识图谱是可理解人工智能的沃土的缩影，因为它们能够以人类和机器可读的方式显示连接数据（即知识）。本调查简要介绍了知识图谱上的可理解人工智能的历史。此外，我们认为可解释人工智能的概念过于繁重，与可解释机器学习重叠。通过引入父概念“可理解的人工智能”，我们在解释这两个概念的相似性的同时，对它们进行了明确区分。因此，我们在本调查中为知识图谱上的可理解人工智能提供了一个案例，包括可解释的机器学习和知识图谱上的可解释人工智能。这导致引入了一种新的知识图谱上的可理解人工智能分类法。此外，我们还对该研究领域的研究进行了全面概述，并将其置于分类法的背景下。最后，确定了该领域的研究空白，以供未来研究。
言语运动发展的神经计算建模
语音运动控制的 DIVA 模型发音器官速度方向 (DIVA) 模型是一个人工神经网络，可定量描述语音运动控制背后的计算（Guenther，1995；Tourville 和 Guenther，2011；E. Golfinopoulos、Tourville 和 Guenther，2010；有关详细说明，请参阅 Guenther，2016）。它包含一个模拟组件网络，这些组件代表负责产生语音的大脑结构。该模型包括一个模仿声道行为的发音合成器，神经网络学习控制合成器发音器官的运动，以产生可理解的语音。我们在此重点关注模型的神经计算和发展过程的更高级别处理，避免使用数学方程和计算机实现细节，以方便处理。为了理解该模型，我们首先将 定义为大脑中具有自己优化的运动程序的“语音块”。这些块可以是音素、音节和/或单词，具体取决于所考虑的年龄和语言经验。根据许多先前的提议（例如，Kozhevnikov & Chistovich，1965；Levelt，1993；MacNeilage & Davis，1990），并得到音素组合分布分析（Sun & Poeppel，2022；Kessler & Treiman，1997）的支持，我们建议
使用人工智能神经网络和图像处理的手写识别
由于数字技术在各个领域的使用增加以及几乎全天的日常活动以存储和传递信息，手写角色识别已成为研究的流行主题。手写仍然相关，但是人们仍然希望将笔迹副本转换为可以通过电子方式传达和存储的电子副本。手写字符识别是指计算机从手写来源（例如触摸屏，照片，纸质文档和其他来源）检测和解释可理解的手写输入的能力。手写字符仍然很复杂，因为不同的个人具有不同的手写样式。本文旨在报告开发手写字符识别系统，该系统将用于阅读学生和讲座笔记。该发展基于人工神经网络，该网络是人工智能研究领域。不同的技术和方法用于开发手写字符识别系统。但是，很少有人专注于神经网络。与其他计算技术相比，使用神经网络识别手写字符更有效，更健壮。本文还概述了手写字符识别系统以及系统开发的测试和结果的方法，设计和架构。目的是证明神经网络对手写性格识别的有效性。