XiaoMi-AI文件搜索系统
World File Search System系统生成
可解释人工智能的四个原则
我们介绍了可解释人工智能 (AI) 的四项原则，这些原则构成了可解释 AI 系统的基本属性。我们认为，可解释的 AI 系统应提供结果和过程的附带证据或理由；提供个人用户可以理解的解释；提供正确反映系统生成输出过程的解释；并且系统仅在其设计条件下以及在其输出达到足够信心时才能运行。我们分别将这四项原则称为解释、有意义、解释准确性和知识限制。通过大量利益相关者的参与，这四项原则得以发展，涵盖了可解释 AI 的多学科性质，包括计算机科学、工程学和心理学领域。由于不存在一刀切的解释，不同的用户将需要不同类型的解释。我们提出了五类解释并总结了可解释 AI 的理论。我们概述了该领域中涵盖主要可解释算法类别的算法。作为基线比较，我们评估了人们提供的解释是否符合我们的四项原则。这项评估为设计可解释的 AI 系统的挑战提供了见解。
地平线欧洲计划标准申请表（HE...
提案结构 提案包含两个部分： • 提案的 A 部分由 IT 系统生成。它基于参与者通过资金和招标门户中的提交系统输入的信息。参与者可以在最终提交之前随时更新提交系统中的信息。 • 提案的 B 部分是叙述部分，包括三个部分，每个部分对应一个评估标准。需要按照申请人在提交系统中下载的特定征集或主题的模板将 B 部分上传为 PDF 文档。特定征集的模板可能与本文档中提供的示例略有不同。 电子提交系统是一个在线向导，可指导您逐步准备提案。提交过程包括 6 个步骤： - 步骤 1：登录门户 - 步骤 2：在门户中选择征集、主题和行动类型 - 步骤 3：创建提案草案：标题、缩写、摘要、主要组织和联系方式 - 步骤 4：管理您的各方和联系方式：添加您的合作伙伴组织和联系方式。 - 步骤 5：编辑并填写提案 A 部分的网页表单并上传提案 B 部分 - 步骤 6：提交提案
使用CRISPR介导的集成系统将转基因的靶向敲入转基因进入CHO细胞基因组
抽象的生物药物蛋白通常是通过培养重组中国仓鼠卵巢（CHO）细胞而产生的。高生产者细胞系从转染的细胞中筛选，并随机整合靶基因。由于转基因表达易受综合基因组基因座的周围环境的影响，因此应从大量具有异质转基因插入的重组细胞中选择生产者细胞系。相比之下，靶向集成在特征的基因组基因座中可以预测的转基因表达和较少的克隆变异性，因此可以预期稳定的靶蛋白产生。基于基于可编程核酸酶的基因组编辑技术最近已成为细胞基因组中靶基因座精确编辑的多功能工具。在这里，我们使用CRISPR/CAS9和CRISPR介导的精确整合到靶染色体（PIST）系统中，证明了将转基因的靶向敲入转基因的CHO细胞中的低黄嘌呤磷酸糖基转移酶（HPRT）基因座。我们还基于与同源性的靶向集成（HITI）系统生成了敲入CHO细胞。我们使用这些系统评估了转基因在HPRT基因座中的敲门效率。
使用机器学习的传感器数据中的异常检测
摘要： - 异常检测是工业环境中预测维护系统的关键组成部分。通过主动识别传感器数据中的异常模式和偏差，可以预测和减轻潜在的设备故障，然后才能导致昂贵的停机时间。机器学习技术已成为在工业系统生成的大量传感器数据流中自动化异常检测的强大工具。本文对基于机器学习的异常检测的最新目前进行了全面审查，以进行预测性维护，重点是应用于传感器数据的技术。我们讨论了工业传感器数据带来的独特挑战，包括高维度，噪声和复杂的时间依赖性。流行的异常检测算法，例如聚类，支持向量机和深度学习方法，以及用于数据预处理，功能工程和模型评估的策略。我们还重点介绍了最新进步，例如结合域知识以及使用增量学习来适应概念漂移。最后，我们讨论了开放的挑战和未来的研究方向，以推进工业系统预测维护的异常检测领域。
油罐车远程视觉系统
控制台。吊杆通过集成在操作员控制台中的单独吊杆控制单元 (BCU) 进行控制。BCU 不是 TRVS 的一部分。TRVS 与 BCU 接口接收有关吊杆位置和状态的信息。此信息与信号器一起显示在加油图像顶部的图形叠加层中。视觉信息通过两个视频系统、一个监视视觉系统和一个立体视觉系统生成。这些系统共同构成了“加油机远程视觉系统”(TRVS)。监视视觉系统基于三个摄像头，覆盖超过 180 度的水平视野，位于 KDC-10 的两个翼尖之间，在后方。图像以全景视图显示在操作员控制台的三个监视器上。立体视觉系统基于两个瞄准加油杆尖端的摄像机的双通道图像。立体图像是通过使用快门系统获得的。操作员佩戴被动偏光眼镜，将图像分开，从而产生生动的立体图像。立体视觉系统还包括深度合成符号。该视觉系统适用于白天和夜间视觉（近红外）。TRVS 已被证明是一种高性能视觉系统，已在多次空对空加油试飞中展示了其潜力
RIGA 是量子门生成的通用算法
摘要：RIGA（参考输入生成算法）是一种单调数值方法，用于为薛定谔方程描述的封闭系统生成量子门。在之前的论文中，作者提出了一种单调量子门生成算法，本文称为 L-RIGA（Lindblad-RIGA），该算法能够考虑由 Lindblad 主方程描述的开放量子系统。作者在该论文中声称（但没有证据）L-RIGA 最初是从 RIGA 的一个版本中获得的。在本文中，我们介绍了这个版本的 RIGA，本文称为 F-RIGA（Fock-RIGA），它可以在将开放量子系统转换为 Fock-Liouville 描述后对其进行考虑。此转换基于 Fock-Map，即将 × n 埃尔米特矩阵发送到实欧几里得空间的 2 向量的映射 F。本文的贡献在于表明 L-RIGA 和 F-RIGA 是等价的，即对于每个步骤 ℓ ，通过 Fock-Map 的逆变换将 F-RIGA 获得的数据转换为 L-RIGA 同一步骤中获得的数据，同时让相应的 Lyapunov 函数保持不变。此外，由于 L-RIGA 与 Krotov 方法的一个版本非常相似，这项工作的一个副产品也是在 Krotov 方法的该版本与 RIGA 所调用的算法系列之间建立了紧密的联系。
使用压电传感器实现人工智能驱动的触觉反馈
摘要 本文探讨了压电传感器在外科手术机器人假肢中的创新应用，强调了它们在精细手术过程中增强触觉反馈的潜力。压电传感器可以有效地将机械压力和振动转换为电信号，为外科医生实时感受和解释力、纹理和其他表面特征提供了重要手段。通过基于云的系统生成和传输触觉反馈的能力允许创建触觉模式数据库，从而能够在手术过程中自动识别特定的触觉交互。人工智能 (AI) 的集成通过从收集的数据中学习、预测未来的交互和优化模式识别进一步增强了系统。此外，将压电传感器与其他类型的传感输入（例如温度和应变计）相结合，可以实现多维反馈系统。这会带来身临其境的体验，使外科医生能够精确控制他们的机器人工具。通过人工智能和数据收集不断改进这些系统，为机器人手术的未来发展带来了巨大的潜力，从而实现更准确、更安全的手术和更好的患者治疗效果。这项研究强调了人工智能驱动的多感官反馈系统在增强机器人辅助手术能力方面的变革性影响。
研究论文基于非正交量子态与超混沌密钥流的语音加密算法
随着云计算等现代计算技术的进步，数据处理和加密技术领域取得了长足的发展。在这场竞赛中，对在加密域中成功存储数据的需求日益增长，以避免共享网络中数据泄露的可能性。本文设计了一种基于量子混沌系统的语音加密算法的新方法。在所提出的方法中，语音样本的经典比特最初通过秘密偏振角以非正交量子态编码。在量子域中，编码后的语音样本根据受控非门进行位翻转操作，然后进行阿达玛变换。通过阿达玛变换实现阿达玛和标准基中量子态的完全叠加。使用改进的퐿̇푢-超混沌系统生成C-NOT门和阿达玛门的控制位。超混沌系统的秘密非正交旋转角和初始条件是确保所提算法安全性的关键。在量子域和经典域中分析了所提算法的计算复杂度，基于上述原理进行数值模拟，结果表明所提语音加密算法具有更宽的密钥空间、更高的密钥灵敏度以及对各种差分和统计密码攻击的鲁棒性。
![arXiv:2310.01432v3 [cs.CL] 2024 年 12 月 9 日](/simg/g:\will\search\icon\source\e\e7ceb8e93071edf9a053df0cbcf1b011fa58d8b3.webp)
arXiv:2310.01432v3 [cs.CL] 2024 年 12 月 9 日
大型语言模型 (LLM) 已显示出作为评估 AI 系统生成的答案质量的自动评估器的前景。然而，基于 LLM 的评估器在用于评估成对比较中的候选答案时表现出位置偏差或不一致性，无论内容如何，都会偏向第一个或第二个答案。为了解决这个限制，我们提出了 P ORTIA，这是一个基于对齐的系统，旨在模仿人类的比较策略，以轻量级但有效的方式校准位置偏差。具体来说，P ORTIA 将答案分成多个部分，同时考虑长度和语义，然后将它们合并回单个提示以供 LLM 评估。对 6 个 LLM 对 11,520 个答案对进行的大量实验表明，P ORTIA 显着提高了所有模型和比较形式的一致性率，平均相对提高 47.46%。它还使 P ORTIA 增强型 GPT-3.5 能够实现与 GPT-4 相当的与人类的一致率，并将 GPT-4 的一致率提高到 98%。后续的人工评估表明，P ORTIA 增强型 GPT-3.5 模型在与人类评估者的一致性方面甚至可以超越独立的 GPT-4，凸显了 P ORTIA 纠正立场偏见、提高 LLM 一致性和提高性能的同时保持成本效率的能力。
调整法学硕士评估员的立场偏见
大型语言模型 (LLM) 已显示出作为评估 AI 系统生成的答案质量的自动评估器的前景。然而，基于 LLM 的评估器在用于评估成对比较中的候选答案时表现出位置偏差或不一致性，无论内容如何，都会偏向第一个或第二个答案。为了解决这个限制，我们提出了 P ORTIA，这是一个基于对齐的系统，旨在模仿人类的比较策略，以轻量级但有效的方式校准位置偏差。具体来说，P ORTIA 将答案分成多个部分，同时考虑长度和语义，然后将它们合并回单个提示以供 LLM 评估。对 6 个 LLM 对 11,520 个答案对进行的大量实验表明，P ORTIA 显着提高了所有模型和比较形式的一致性率，平均相对提高 47.46%。它还使 P ORTIA 增强型 GPT-3.5 能够实现与 GPT-4 相当的与人类的一致率，并将 GPT-4 的一致率提高到 98%。后续的人工评估表明，P ORTIA 增强型 GPT-3.5 模型在与人类评估者的一致性方面甚至可以超越独立的 GPT-4，凸显了 P ORTIA 纠正立场偏见、提高 LLM 一致性和提高性能的同时保持成本效率的能力。