XiaoMi-AI文件搜索系统
World File Search System影响函数
使用预训练深度学习模型分析人工智能和自然语言处理作为电子医疗专家系统支持的意义
摘要：人工智能 (AI) 和自然语言处理 (NLP) 是医疗保健领域不可或缺的技术，它们可以支持强大且安全的数字系统，并嵌入物联网 (IoT) 应用。本研究试图构建一个人工智能-自然语言处理集群系统。在该系统中，使用词性提取丰富的内容，然后将其分类为可理解的数据集。无法使用具有标准化流程和程序的独特系统来跨不同系统支持电子医疗保健部门，这对各国乃至全世界都是一个巨大的挑战。旨在训练一个集群系统，该系统可以提取丰富的内容并适应深度学习模型框架，以便通过快速安全的数字系统解释医疗保健需求的数据集。本研究使用（行为导向驱动和影响函数）来确定 AI 和 NLP 对电子健康的重要性。基于选择性评分方法，开发了 5 分制中的 1 分率，称为关键优势分数。行为导向驱动和影响函数允许根据应用于样本研究的文本内容选择对电子健康进行深入评估。结果显示，NLP 和 AI 在电子医疗领域的规模显著性得分为 3.947。研究得出结论，定义明确的人工智能和自然语言处理应用是推动医疗电子服务取得积极成果的完美领域。
评估匈牙利葡萄酒地区葡萄酒适合性温度指数的历史和未来变化（1971 - 2100）
气候变化显着影响我们的农作物及其耕种地区，预计到本世纪末将有很大变化。温度条件果断地影响了给定位置中葡萄的安全适用性。为了解决这些变化，我们分析了四个温度指标的时间变化：平均生长季节温度（AGST），增长程度天（GDD或Winkler指数（GDD-WI）（GDD-WI），HUG LIN INDEX（HI）（HI）以及在1971年至2100年的22个匈牙利葡萄酒区域（BEDD）和生物学上有效的天数（BEDD）。该分析基于RCP 4.5和RCP 8.5方案的14个气候模型的数据。为了调查葡萄酒的未来适用性，我们引入了动态适用性函数，这使我们能够分析生长季节中平均温度的适用性，以纪念21种葡萄酒葡萄品种，从2031年到2100种decadal增量。此外，基于生长季节的平均温度，引入了温度影响函数，以表征21种葡萄酒葡萄品种的适用性，其值范围从0到1。结果证实，葡萄种植中使用的温度指数的频率将来会明显转向更温暖的气候类别。越来越温暖的气候带来了某些优势，但也具有日益增长的耕种风险。在最乐观的情况下，在接下来的七十年中，生长季节期间的平均温度可能会降低0.8°C。然而，在最悲观的模型中，预期的变化到本世纪末的变化超过4.0°C。对于较低热量需求的葡萄酒葡萄品种，在悲观的RCP 8.5发射方案下的适用性预计将在本世纪末降低29％。相反，在乐观的情况下，适用性值的下降仅在3-4％之间。对于具有较高热量需求的葡萄品种，在RCP 8.5方案下，适用性将降低10％。相比之下，RCP 4.5场景表明，到本世纪末，适用性可以提高1-2％。这些发现有助于更好地理解气候变化的影响和后果，并就如何为葡萄栽培部门的这些挑战做准备的见解。
质疑人工智能预测：影响力驱动的第二意见推荐
[1] Gagan Bansal、Besmira Nushi、Ece Kamar、Dan Weld、Walter Lasecki 和 Eric Horvitz。2019 年。人机协作团队向后兼容的案例。ICML 人机协作学习研讨会 (2019)。[2] Gagan Bansal、Tongshuang Wu、Joyce Zhou、Raymond Fok、Besmira Nushi、Ece Kamar、Marco Tulio Ribeiro 和 Daniel Weld。2021 年。整体是否超过部分？人工智能解释对互补团队绩效的影响。在 CHI 计算机系统人为因素会议论文集上。1-16。 [3] Umang Bhatt、Javier Antorán、Yunfeng Zhang、Q Vera Liao、Prasanna Sattigeri、Riccardo Fogliato、Gabrielle Gauthier Melançon、Ranganath Krishnan、Jason Stanley、Omesh Tickoo 等人。2020 年。不确定性作为透明度的一种形式：测量、传达和使用不确定性。arXiv 预印本 arXiv:2011.07586 (2020)。[4] Zana Buçinca、Maja Barbara Malaya 和 Krzysztof Z Gajos。2021 年。信任还是思考：认知强制函数可以减少人工智能辅助决策对人工智能的过度依赖。ACM 人机交互论文集 5，CSCW1 (2021)，1-21。 [5] Rich Caruana、Yin Lou、Johannes Gehrke、Paul Koch、Marc Sturm 和 Noemie Elhadad。2015 年。医疗保健的可理解模型：预测肺炎风险和 30 天内住院率。第 21 届 ACM SIGKDD 国际知识发现和数据挖掘会议论文集。1721–1730。[6] R Dennis Cook。1986 年。局部影响力评估。皇家统计学会杂志：B 系列（方法论）48，2（1986 年），133–155。[7] Maria De-Arteaga、Artur Dubrawski 和 Alexandra Chouldechova。2021 年。利用专家一致性改进算法决策支持。arXiv 预印本 arXiv:2101.09648（2021 年）。 [8] Maria De-Arteaga、Riccardo Fogliato 和 Alexandra Chouldechova。2020 年。《人机交互案例：在存在错误算法评分的情况下做出决策》。2020 年 CHI 计算机系统人为因素会议论文集。1-12。[9] Berkeley J Dietvorst、Joseph P Simmons 和 Cade Massey。2015 年。《算法厌恶：人们在发现算法错误后会错误地避开算法》。《实验心理学杂志：综合》144, 1 (2015)，114。[10] Kelwin Fernandes、Jaime S Cardoso 和 Jessica Fernandes。2017 年。《具有部分可观测性的迁移学习应用于宫颈癌筛查》。《伊比利亚模式识别与图像分析会议》。Springer，243-250。 [11] Yarin Gal 和 Zoubin Ghahramani。2016 年。Dropout 作为贝叶斯近似：表示深度学习中的模型不确定性。在国际机器学习会议 (ICML) 中。1050–1059。[12] Ruijiang Gao、Maytal Saar-Tsechansky、Maria De-Arteaga、Ligong Han、Min Kyung Lee 和 Matthew Lease。2021 年。通过 Bandit 反馈实现人机协作。IJCAI (2021)。[13] Pang Wei Koh 和 Percy Liang。2017 年。通过影响函数理解黑盒预测。在第 34 届国际机器学习会议论文集-第 70 卷中。JMLR。org，1885–1894 年。[14] Himabindu Lakkaraju、Jon Kleinberg、Jure Leskovec、Jens Ludwig 和 Sendhil Mullainathan。2017 年。选择性标签问题：在存在不可观测因素的情况下评估算法预测。第 23 届 ACM SIGKDD 国际知识发现与数据挖掘会议论文集。ACM，275–284。