XiaoMi-AI文件搜索系统
World File Search System可解
在供应链决策支持中启用可解释的人工智能功能
抽象可解释的人工智能（XAI）在实现明智决定的过程中发挥了作用。现代各种供应链（SC）平台的出现改变了SC相互作用的性质，导致了显着的不确定性。这项研究旨在对现有的有关决策支持系统（DSS）的文献进行彻底分析，并在SC领域内对XAI功能的结合。我们的分析揭示了XAI对SC领域决策过程的影响。本研究利用Shapley添加说明（SHAP）技术使用Python机器学习（ML）过程分析在线数据。解释性算法是专门为通过为其产生的预测提供理由来提高ML模型的清醒性的。本研究旨在建立可衡量的标准，以识别XAI和DSS的组成部分，从而在SC的背景下增强决策。这项研究评估了对他们做出预测的能力，在线数据集的利用，所检查的变量数量，学习能力的发展以及在决策背景下进行验证的研究，强调了需要在不确定条件下涉及智能决策的其他探索领域的研究领域。
在潜在空间上实施稀疏性，以促进可靠和可解释的表示
最近，密集的潜在变量模型已显示出令人鼓舞的结果，但是它们的分布式和潜在的代码使它们降低了易于解释，并且对噪声的影响较低。另一方面，稀疏表示更为简约，提供了更好的解释性和噪声稳健性，但是由于涉及的复杂性和计算成本，很难实现稀疏性。在此过程中，我们提出了一种新颖的无监督学习方法，以利用逐渐稀疏的尖峰和平板分布作为我们的先验，以在发电机模型的潜在空间上强化稀疏性。我们的模型由自上而下的发电网络组成，该网络将潜在变量映射到观测值。我们使用最大似然采样来推断发电机后方向的潜在变量，并且推理阶段的尖峰和平板正则化可以通过将非信息性潜在维度推动到零来引起稀疏性。我们的实验表明，学到的稀疏潜在表示保留了大多数信息，我们的模型可以学习解开的语义，并赋予潜在代码的解释性，并增强分类和denosing任务的鲁棒性。
3.13 可解释的游戏人工智能
首先，我们研究了生成超级马里奥关卡的不同可能性。TOAD-GAN [ 3 ] 仅使用一个示例即可进行训练。该方法还使用户能够通过更改代表生成器网络输入的噪声向量来控制生成过程的输出。由于设计师无法解释噪声向量，因此设计师仍然无法根据自己的需求设计内容。为了实现这一点，必须让设计师能够解释噪声向量，并将噪声向量的不同区域映射到噪声向量变化所产生的内容。生成超级马里奥关卡的另一种方法是使用带有图块集的进化算法 [ 4 ]。图块集强制输出的一致性，而 Kullback-Leiber 散度
朝着光网络中的可解释的强化学习：RMSA用例
为了优化激光诱导的石墨烯（LIG）JANUS膜，本研究研究了膜孔结构，聚二甲基硅氧烷（PDMS）涂层序列以及银（AG）纳米颗粒对膜蒸馏（MD）性能的影响。这项研究旨在增强石墨烯的光热特性，同时使用固有的电导率进行同时照相和电热MD。在相同的照片和电热功率输入中操作，lig janus membrane用较小的毛孔（即闪亮的一面）处理膜面部的膜膜，可改善53.6％的透气性能，并降低特定能量的特定能量35.4％，而与膜相比，用较大的毛孔（i.e.e.e.e.e.e.e.e.e.e）来治疗膜面孔。PDMS涂层序列的效果也取决于孔结构。对于具有较小孔结构的面部，激光照射前的涂层PDM（PDMS-BLSS）与激光照射后的涂层PDMS相比，与涂层PDMS相比，磁通量的提高高达24.5％，特异性能量降低了19.7％（PDMS-ALS）。至于孔结构较大的面部，激光照射前的涂层PDM（PDMS-BLDS）导致与辐照后涂层PDMS相比，与涂层PDMS相比，通量降低高达20.8％，比能量增加了27.1％（PDMS-ALDS）。带有Ag纳米颗粒的LIG JANUS膜导致光热特性提高，将通量提高43.1 - 65.8％，并使特定能量降低15.2 - 30.5％，同时维持相似的电热热特性。进行同时进行照相和电热量MD表明，只有Ag掺杂的Janus Lig膜产生协同作用，从而使组合加热模式的通量高于在单个加热模式下运行时获得的通量的求和。
I-AI：一种可控制、可解释的人工智能系统，用于解读放射科医生对准确 CXR 诊断的高度关注
摘要 在胸部 X 光 (CXR) 诊断领域，现有研究通常仅侧重于确定放射科医生的注视点，通常是通过检测、分割或分类等任务。然而，这些方法通常被设计为黑盒模型，缺乏可解释性。在本文中，我们介绍了可解释人工智能 (I-AI)，这是一种新颖的统一可控可解释流程，用于解码放射科医生在 CXR 诊断中的高度关注度。我们的 I-AI 解决了三个关键问题：放射科医生注视的位置、他们在特定区域关注的时间以及他们诊断出的发现。通过捕捉放射科医生凝视的强度，我们提供了一个统一的解决方案，可深入了解放射学解释背后的认知过程。与当前依赖黑盒机器学习模型的方法不同，这些方法在诊断过程中很容易从整个输入图像中提取错误信息，而我们通过有效地屏蔽不相关的信息来解决这个问题。我们提出的 I-AI 利用视觉语言模型，可以精确控制解释过程，同时确保排除不相关的特征。为了训练我们的 I-AI 模型，我们利用眼球注视数据集来提取解剖注视信息并生成地面真实热图。通过大量实验，我们证明了我们方法的有效性。我们展示了旨在模仿放射科医生注意力的注意力热图，它编码了充分和相关的信息，仅使用 CXR 的一部分即可实现准确的分类任务。代码、检查点和数据位于 https://github.com/UARK-AICV/IAI。1. 简介
可解释的人工智能和机器学习
摘要 人工智能 (AI) 和机器学习 (ML) 正在彻底改变人类各个领域的活动，医学和传染病也未能幸免于其快速而指数级的增长。此外，可解释的 AI 和 ML 领域已变得尤为重要，并吸引了越来越多的关注。传染病已经开始受益于可解释的 AI/ML 模型。例如，它们已被用于或提议用于更好地理解旨在改善 2019 年冠状病毒病诊断和管理的复杂模型、抗菌素耐药性预测领域和量子疫苗算法中。尽管一些有关可解释性和可解释性二分法的问题仍需认真关注，但深入了解复杂的 AI/ML 模型如何得出预测或建议，对于正确应对本世纪传染病日益严峻的挑战变得越来越重要。
可解释的人工智能和机器学习
摘要人工智能（AI）和机器学习（ML）正在彻底改变各个领域的人类活动，而医学和传染病并不能免除其快速和指数的增长。此外，可解释的AI和ML的领域已经获得了特别的相关性，并引起了人们的兴趣越来越大。传染病已经开始从可解释的AI/ML模型中受益。例如，在抗菌病毒预测和量子疫苗算法中，它们已被采用或提议更好地理解旨在改善2019年冠状病毒疾病诊断和管理的复杂模型。尽管有关解释性和可解释性之间二分法的某些问题仍然需要仔细关注，但对复杂的AI/ML模型如何得出其预测或建议的深入了解对于正确地面对本世纪传染病的日益严重的挑战变得越来越重要。