XiaoMi-AI文件搜索系统
World File Search System粗心大意
欺诈与治理文件（PDF，16.2 MB）
7。不诚实的元素意味着欺诈行为所需要的不仅仅是粗心大意，事故或错误；它需要故意意图。欺诈还必须导致个人或团体的直接或间接利益或造成损失。福利不仅限于货币或物质利益，还包括无形的好处，例如未经授权访问或披露敏感信息。
空间电源系统布线系统安全性综述
当前航空航天飞行器线束中的电弧传播会导致线路系统故障。当电弧启动时绝缘层导电时，就会发生这些故障。在某些情况下，碳弧轨道的导电路径显示出足够高的电阻，以致电流受到限制，因此使用传统电路保护可能难以检测。通常，这种线路故障不仅仅是绝缘故障的结果，而是由多种线路系统因素造成的。电路保护不足、系统设计不当和维护程序粗心大意都可能导致线路系统故障。本文从整个线路系统的角度探讨该问题，以确定可以采取哪些措施来提高空间电力系统的可靠性、可维护性和安全性。本文将讨论过去导致线路系统故障的电力系统技术、系统设计和维护程序。本文将介绍可能提高线路系统安全性的新技术、设计流程和管理技术。
使用遥感和GIS的洪水破坏评估：过去和
洪水是水的径流，它沉降到通常干燥的土地。洪水不仅是由于雨水的原因，而且是人类向地球表面的变化。洪水是从水体（例如河流，湖泊或海洋）中的水溢出的，水覆盖或断路。它会导致一些逃脱其通常的边界的水，或者可能由于面部洪水淹没地面上的雨水增加而发生。森林砍伐和城市化增加了从降雨中造成的径流，因此如今淹没了以前没有造成洪水的广阔地区。在脆弱地区的粗心大意建筑物，不良的分水岭管理和无法控制洪水造成的灾难条件。本文介绍了有关城市地区洪水损害评估及其应用的文献综述。它还描述了用于评估洪水损害的方法。
疏忽人工智能言论：关于责任的一些思考
粗心大意的言论一直存在，而且规模非常大。当人们说话时，他们经常会给出不好的建议或错误的信息。随着数十亿参与者的思考和对话变得人人都可以访问和搜索，公共互联网使这种规模变得更加明显。这种动态产生了一套侵权和言论自由原则，我们在过去三十年中一直在争论和调整这些原则。人工智能语音系统带来了一种新的动态。与互联网时代分散的错误信息生产不同，大部分生产将集中并由少数财力雄厚、有吸引力的被告（即 OpenAI、微软和其他复杂对话式人工智能程序的生产者）提供。这些公司应在何时为其程序产生的疏忽性言论承担责任？这些程序的存在应如何影响其他个人之间的责任？
调查贝叶斯知识追踪和粗心探测器的算法偏见
在当今数据驱动的教育技术中，算法对学生的体验和成果产生了关键的影响。因此，采取措施最小化偏见，避免永久性或加剧不平等至关重要。在本文中，我们研究了两个学习分析模式中存在算法偏见的程度：基于贝叶斯知识追踪（BKT）和粗心大意探测器的知识估计。使用来自美国各地使用的学习平台的数据，我们探索了三种不同的方法，探索算法偏差：1）分析样本中每个人口统计组的模型的表现，2）比较这些人口统计学的相互群体的性能，以及这些模型在使用特定组的模型中是否可以在训练过程中进行培训，以观察到训练的过程。我们的实验性研究表明，这些模型的性能在所有人口统计和交叉组中都接近平等。这些发现建立了验证交叉组的教育算法的可行性，并表明这些算法可以公平地用于大规模的不同学生。
化学及其应用杂志
全球合成塑料产量为4亿吨，其中一半以上的数量以垃圾填埋场结束或被回收。每年有超过1500万吨塑料倒入海洋和海洋中，其中大多数来自各种来源。这种海洋废物可以分为三分之一的倾倒在船上，以及三分之二的土地来源，包括在海滩上留下的垃圾，河流和排水沟的径流，城市地区废弃物品的数量。后者来自工业泄漏，粗心大意的垃圾填埋场，沿海垃圾箱以及任何冲洗厕所的东西。主要的罪魁祸首是一次性塑料，包括饮料瓶，塑料袋，棉芽棒，卫生产品和湿湿巾。但是，即使焚化了塑料废物，也要以相当大的环境成本进行。在这种情况下，仅美国就从2015年发出了不少于590万吨的二氧化碳，塑料的燃烧将于2030年燃烧，到2030年达到4900万吨，到2050年，其惊人的9100万吨。结果是许多污染物的扩散，损害了焚化炉附近的社区。与焚化相比，垃圾填埋场的气候影响较低。但可用的垃圾填埋场几乎处于容量状态，废物积累带来了严重的挑战。土壤和水受到污染，野生动植物受到损害。西方国家，包括美国，过去曾在中国倾倒垃圾污染物，以卸下问题
使用 DSTATCOM 和 DVR 降低电能质量
2 印度北方邦勒克瑙玛赫西信息技术大学电子电气工程系助理教授 1 ------------------------------------------------------------------***-------------------------------------------------------------------------------- 摘要 - 随着对电子设备、高效变速驱动器、电力电子控制器以及电力系统中越来越多的非线性负载进行监测、控制和保护的需求不断增加，电能质量已成为公用事业和客户日益关注的问题。本文介绍了与电能质量或电能质量问题及其缓解技术相关的问题。考虑了一个实用系统来分析电压骤降、谐波和瞬变等电能质量问题，并使用 DSTATCOM 并结合应用 DVR 和 DSTATCOM 补偿装置，并通过 MATLAB/Simulink 模型进行介绍。关键词：电能质量、DVR、DSTATCOM。1. 介绍电能质量已成为电力公司和客户关注的主要问题。在许多国家，电能质量不足的影响每年导致数十亿美元的浪费。这是由于大多数行业粗心大意，没有升级其工厂，从而导致产品损失、生产时间损失、清理和重新校准过程而产生非常高的成本。电气设备中新技术的复杂性和敏感性是造成电能质量问题（例如供电网络上的电压扰动）的主要原因之一。电力电子设备对电压扰动更为敏感，导致电压扰动大幅增加。很难检测导致电能质量问题的来源。大多数电能质量问题的因素超出了公用事业的控制范围，并且永远无法完全消除。一些电能质量问题的来源按发生频率排序如下[1,3]：
算法偏差评估的Abroca分布
[1] Ryan S. Baker。2024。大数据和教育（第8版）。宾夕法尼亚州费城宾夕法尼亚大学。 [2] Ryan S. Baker和Aaron Hawn。2022。教育算法偏见。国际人工智能杂志教育杂志（2022），1-41。[3] Solon Barocas，Andrew D Selbst和Manish Raghavan。2020。反事实解释和主要原因背后的隐藏假设。在2020年公平，问责制和透明度会议的会议记录中。80–89。[4] Alex J Bowers和Xiaoliang Zhou。2019。曲线下的接收器操作特征（ROC）区域（AUC）：一种评估教育结果预测指标准确性的诊断措施。受风险的学生教育杂志（JESPAR）24，1（2019），20-46。[5] Oscar Blessed Deho，Lin Liu，Jiuyong Li，Jixue Liu，Chen Zhan和Srecko Joksimovic。2024。过去！=未来：评估数据集漂移对学习分析模型的公平性的影响。IEEE学习技术交易（2024）。[6] Olga V Demler，Michael J Pencina和Ralph B D'Agostino Sr. 2012。滥用DELONG测试以比较嵌套模型的AUC。医学中的统计数据31，23（2012），2577–2587。[7] Batya Friedman和Helen Nissenbaum。1996。计算机系统中的偏差。信息系统（TOIS）的ACM交易14，3（1996），330–347。[8]乔什·加德纳，克里斯托弗·布鲁克斯和瑞安·贝克。2019。225–234。通过切片分析评估预测学生模型的公平性。在第9届学习分析与知识国际会议论文集。[9]LászlóA Jeni，Jeffrey F Cohn和Fernando de la Torre。2013。面对不平衡的数据：使用性能指标的建议。在2013年，俄亥俄州情感计算和智能互动会议上。IEEE，245–251。 [10] Weijie Jiang和Zachary a Pardos。 2021。 在学生等级预测中迈向公平和算法公平。 在2021年AAAI/ACM关于AI，伦理和社会的会议上。 608–617。 [11]RenéFKizilcec和Hansol Lee。 2022。 教育算法公平。 在教育中人工智能的伦理学中。 Routledge，174–202。 [12]JesúsFSalgado。 2018。 将正常曲线（AUC）下的面积转换为Cohen的D，Pearson的R PB，Ordds-Ratio和自然对数赔率比率：两个转换表。 欧洲心理学杂志适用于法律环境10，1（2018），35-47。 [13] Lele Sha，Mladen Rakovic，Alexander Whitelock-Wainwright，David Carroll，Victoria M Yew，Dragan Gasevic和Guanliang Chen。 2021。 在自动教育论坛帖子中评估算法公平性。 教育中的人工智能：第22届国际会议，AIED 2021，荷兰乌得勒支，6月14日至18日，2021年，第I部分。 Springer，381–394。 2024。 2023。 2018。IEEE，245–251。[10] Weijie Jiang和Zachary a Pardos。2021。在学生等级预测中迈向公平和算法公平。在2021年AAAI/ACM关于AI，伦理和社会的会议上。608–617。[11]RenéFKizilcec和Hansol Lee。2022。教育算法公平。在教育中人工智能的伦理学中。Routledge，174–202。[12]JesúsFSalgado。2018。将正常曲线（AUC）下的面积转换为Cohen的D，Pearson的R PB，Ordds-Ratio和自然对数赔率比率：两个转换表。欧洲心理学杂志适用于法律环境10，1（2018），35-47。[13] Lele Sha，Mladen Rakovic，Alexander Whitelock-Wainwright，David Carroll，Victoria M Yew，Dragan Gasevic和Guanliang Chen。2021。在自动教育论坛帖子中评估算法公平性。教育中的人工智能：第22届国际会议，AIED 2021，荷兰乌得勒支，6月14日至18日，2021年，第I部分。Springer，381–394。2024。2023。2018。[14]Valdemaršvábensk`Y，MélinaVerger，Maria Mercedes T Rodrigo，Clarence James G Monterozo，Ryan S Baker，Miguel Zenon Nicanor LeriasSaavedra，SébastienLallé和Atsushi Shimada。在预测菲律宾学生的学习成绩的模型中评估算法偏见。在第17届国际教育数据挖掘会议上（EDM 2024）。[15]MélinaVerger，SébastienLallé，FrançoisBouchet和Vanda Luengo。您的模型是“ MADD”吗？一种新型指标，用于评估预测学生模型的算法公平性。在第16届国际教育数据挖掘会议上（EDM 2023）。[16] Sahil Verma和Julia Rubin。公平定义解释了。在国际软件公平研讨会的会议记录中。1-7。[17] Zhen Xu，Joseph Olson，Nicole Pochinki，Zhijian Zheng和Renzhe Yu。2024。上下文很重要，但是如何？课程级别的性能和公平转移的相关性在预测模型转移中。在第14届学习分析和知识会议论文集。713–724。[18] Andres Felipe Zambrano，Jiayi Zhang和Ryan S Baker。2024。在贝叶斯知识追踪和粗心大意探测器上研究算法偏见。在第14届学习分析和知识会议论文集。349–359。