XiaoMi-AI文件搜索系统
World File Search System权衡
道德方面之间的紧张和权衡
摘要 - 已提出了一系列负责人AI的道德原则，以减轻对滥用和滥用AI/ML系统的担忧。此类原则的基本方面包括隐私，准确性，公平性，鲁棒性，解释性和透明度。但是，这些方面之间存在潜在的紧张关系，这对于寻求遵循这些原则的AI/ML开发人员构成了困难。例如，提高AI/ML系统的准确性可能会降低其解释性。作为将原则运行到实践中的持续努力的一部分，在这项工作中，我们汇编并讨论了10个著名的紧张局势，权衡以及基本方面之间其他互动的目录。我们主要关注双面相互作用，借鉴了分布在各种文献中的支持。该目录可以帮助提高人们对道德原则各个方面之间可能相互作用的认识，并促进AI/ML Systems的设计师和开发人员良好支持的判断。
人工智能对化学发现逻辑的解释权衡
摘要：解释是精确科学的一个基本目标。除了当代对“描述”、“分类”和“预测”的考虑之外，我们经常在人工智能 (AI) 在化学假设生成中的蓬勃发展的应用中看到这些术语。除了描述“世界上的事物”之外，这些应用程序还可以从理论或拓扑描述符中进行准确的数值属性计算。这种关联为化学发现的逻辑提供了一个有趣的例子：这些归纳主导的尝试是否表明化学家如何将研究问题问题化？在本文中，我提出了一个关于当前化学发现背景的新视角。我讨论了如何将化学中数据驱动的统计预测解释为生成化学理论的准逻辑过程，超越了有机化学和理论化学的经典例子。通过我对科学解释的形式模型的立场，我展示了人工智能的曙光如何为科学探索的解释能力提供新颖的见解。
多准则决策分析的权衡排序方法
Brent, AC, Rogers, DEC, Ramabitsa-Siimane, TSM 和 Rohwer, MB (2007)。应用层次分析法建立医疗废物管理系统，以最大程度降低发展中国家的感染风险。《欧洲运筹学杂志》，第 181 期，第 403–424 页。
在 AI 决策中权衡准确性和可解释性
1 英国曼彻斯特大学曼彻斯特学术健康科学中心健康信息学中心、信息学、成像和数据科学部、2 英国曼彻斯特大学曼彻斯特学术健康科学中心健康科学学院 NIHR 大曼彻斯特患者安全转化研究中心、3 英国曼彻斯特大学健康科学学院药学和验光部、4 英国曼彻斯特大学健康科学学院人口健康、卫生服务研究和初级保健部、5 美国明尼苏达州圣保罗杰斐逊中心、6 英国威姆斯洛信息专员办公室、7 英国曼彻斯特大学法学院、人文学院、8 英国曼彻斯特公民陪审团 CIC
苍白球神经调节探索/利用权衡......
摘要 我们做出的每一个决定都涉及一个冲突，是利用我们目前对某个行动价值的了解，还是探索可能导致更好或更坏结果的替代行动方案。组成基底神经节的皮层下核被认为是一种神经回路，可能有助于解决这种探索-利用“困境”。为了验证这一假设，我们研究了神经调节基底神经节输出核——苍白球内核对接受深部脑刺激 (DBS) 治疗孤立性肌张力障碍的患者的影响。在双臂老虎机概率逆向学习任务中，神经调节增加了选择较低价值选项的探索性选择数量。在强化学习漂移扩散模型中，证据积累率 (漂移率) 的降低可以解释探索增强的情况。我们使用来自健康对照的规范功能连接组，估计了刺激 DBS 电极与大脑其他部分之间的功能连接概况。患者之间神经调节引起的探索程度的差异与从刺激电极位置到分布式大脑功能网络的功能连接有关。我们得出结论，基底神经节的输出核，即苍白球内核，在面临探索或利用的困境时，可以自适应地修改决策选择。
早期阶段的交互式不确定性分配和权衡...
既要考虑由于缺乏知识而导致的不确定性的影响，又要减少这种影响 [1],[2]。一种方法是量化和分配不确定性来源中可接受的可变性。在本文中，这种方法称为“不确定性分配”。分配不确定性是必要的，以便系统架构师或设计师避免参数或行为的未知变化可能导致性能出现不良偏差的情况 [2]。不确定性分配还可用于识别确保约束满足的期望概率的不同潜在方法，或为低级几何特征分配适当的公差限度。我们的研究是近期和当前行业主导项目的一部分，包括飞机热整体集成概念 (TOICA) [3],[4] 和高级产品概念分析环境 (APROCONE) [5]，表明不确定性分配确实被视为决策过程的一部分。然而，它主要基于经验，因此，决策者可能不知道可供权衡的全部选项。
多标准决策分析的权衡排序方法
Brent, A. C., Rogers, D. E. C., Ramabitsa-Siimane, T. S. M., & Rohwer, M. B. (2007)。应用层次分析法建立医疗废物管理系统，以最大限度地降低发展中国家的感染风险。《欧洲运筹学杂志》，第 181 期，第 403-424 页。
权衡有效性，可采用性和可执行性
•气候要求•更好的室内和室外空气质量•降低社会成本•避免升级或延长老化的天然气基础设施•您的州要求您•您是Ashrae或ICC，并实施了自己的目标•有很多联邦资金可用
优化 SNR/分辨率权衡以进行注册...
磁共振图像配准中 SNR/分辨率权衡的优化 S. Kale 1,2、JP Lerch 1、RM Henkelman 1,2 和 XJ Chen 1,2 1 小鼠成像中心，加拿大安大略省多伦多，2 多伦多大学医学生物物理学，加拿大安大略省多伦多 简介 配准是医学图像分析的重要工具，其应用包括评估纵向研究中的变化、构建数字图谱和执行形态分析。后者在研究疾病特定人群和大脑发育生物学方面发展尤为迅速 1 。配准已广泛用于磁共振 (MR) 图像，其中成像在捕捉神经解剖结构方面提供了极大的灵活性。用户可以以任意分辨率和方向获取 3D 体积或 2D 切片数据，同时可以定义视野以适合任何对象。一个限制因素是总成像时间，这让用户不得不在分辨率和信噪比 (SNR) 之间做出权衡决定。通常，会调整采集参数以使生成的图像满足人类的视觉偏好，但是，由于图像配准是一项计算机分析任务，因此优化应响应计算机分析的需求。本摘要介绍了一项研究，该研究旨在调查在恒定扫描时间内 MR 成像中 SNR 和分辨率之间的最佳权衡，以实现最佳配准精度。方法虽然任何解剖结构的图像都可以，但我们使用的是通过高质量显微镜协议获取的固定小鼠神经解剖结构图像。固定脑标本的原位成像准备方法与之前描述的方法类似 2 。成像是在 7 T 磁体上使用多通道 Varian INOVA 控制台和三线圈探头进行的，以进行并行样本成像。扫描参数包括：快速自旋回波脉冲序列，TR/TE = 325/8 毫秒，6 次回波（第四次回波位于 k 空间中心），TE eff = 32 毫秒，90° 翻转角，14 毫米 x 14 毫米 x 25 毫米 FOV，432 x 432 x 780 扫描矩阵，4 个平均值（NA）。成像时间为 11.3 小时，每次可获得三个大脑的 T2 加权图像，每个图像有（32 微米）3 个体素。扫描了十个大脑。图像在均质白质中的平均 SNR 为 16。这些图像代表了黄金标准。从每个黄金标准图像中模拟了五个降级权衡图像，以模拟 1.9 小时的采集时间，但以牺牲 SNR 或分辨率或两者为代价。第一步需要从黄金标准数据中选择 k 空间的子体积来表示降级的分辨率。选择了五个子体积，以下称为权衡 AE ，权衡之间的体素体积步长为 2 倍（表 1，顶部）。第二步涉及向原始数据添加高斯分布随机白噪声，以模拟权衡数据中适当的相对 NA，从而固定总有效成像时间（1.9 小时）。然后，使用 ANIMAL 3,4 将来自每个权衡组和金标准组的图像独立地配准到使用仿射和非线性配准 5 的无偏平均图谱。变形场可用于识别形态学差异，它由非线性配准产生，并用于评估权衡组相对于金标准配准的配准精度。均方根误差 ( RMSE ) 度量，其中 ( ) 2 1 2 / / ) ( ) ( ∑ − = NN RMSE ioirdrd ，
