XiaoMi-AI文件搜索系统
World File Search System水平性
机器学习中的可解释人工智能
本文介绍了可解释人工智能 (XAI)，这是提高 ML 系统可解释性和可信度的必要解决方案。本文通过两个关键领域的案例研究探讨了 XAI 的重要性：制造业和医疗保健。第一个案例涉及预测性维护应用程序，该应用程序使用 XAI 通过梯度提升决策树预测机器故障的可能性，从而为优化生产力提供详细建议。第二个案例研究基于医疗保健部门。用于 AI 模型解释的 LIME 和 SHAP 工具增强了人们对 AI 辅助医疗诊断的糖尿病预测有效性的信任。这两个案例都证明 XAI 有助于更好地理解所展示的机器学习模型的工作原理，并符合道德决策和监管要求。因此，在本文的最后一部分，作者讨论了当前形式的 XAI 的一些缺点以及该领域的潜在进步，包括水平性和更好地融入使用 AI 的系统。这一发现支持使用 XAI 在众多行业中促进更透明、更负责任和更值得信赖的 AI 应用。
在不同早期疫情条件下最大化有限疫苗供应的影响：男男性行为人群中猴痘病毒传播的两城市模型分析
模型结构和参数化 我们的模型包括 6 种健康状态：易感、接种疫苗、暴露、感染、隔离和康复（图 1A）。每个城市进一步按性风险水平分层（高或低由性伴侣数量定义），以反映疫苗优先级 2 和观察到的 MPXV 感染风险差异。16 表 1 总结了默认模型参数。较高和较低水平性风险的定义概述在附录 1 中，可在 www.cmaj.ca/lookup/doi/10.1503/cmaj.221232/tab-related-content 上查阅。为了参数化模型，我们借鉴了之前对加拿大 GBMSM 性网络的分析 17,20 和当前疫情背景下新出现的 MPXV 流行病学数据。 22–24,26,31 我们校准了高风险人群中性伴侣的平均数量，以获得特定城市的 R 0，范围从 1 到 2。附录 1 提供了有关模型实施和参数化的更多详细信息。我们用高风险人群中的 10 个输入病例或种子病例初始化所有模拟，这些病例分布在 2 个城市，如分析小节所述，并按平均阶段持续时间按比例分布在暴露、传染和隔离阶段。
设计探索温和的混合飞机推进概念
NASA已对具有高电气化的混合电子飞机概念进行了深入的研究和分析。发现其中许多概念是不可行的，而与传统概念相比，可行的设计显着重，更为昂贵。本研究介绍了对替代性温和混合概念的开发和分析，该概念使用在整个任务中策略性地应用的相对较低水平的电能。团队研究了几种温和的混合动力技术，开发了集成的飞机模型，然后评估了这些技术对车辆水平性能指标的影响。在本研究中探索的技术包括涡轮电气化能源管理系统，电动出租车，电动攀爬辅助以及用板载电源存储代替辅助动力单元。关键的启用技术是能源设备，将高功率输出优先于能源容量，并将电动机与燃气轮机发动机的轴整合。在分别应用多种技术并结合使用多种技术时，观察到了显着的性能改进，最有希望的配置一次将所有技术纳入其中。轻度混合配置的结果表明，与常规基线相比，块燃料降低了8.2％，同等CO 2排放量减少了7.7％，总复制权重增加了3.5％。成本分析的结果表明，温和的混合动力略微降低了直接运营成本加上利息，这表明飞机排放可以大大减少，而无需与高电动概念相关的成本增加。