XiaoMi-AI文件搜索系统
World File Search System美国纽约
美国纽约东区地方法院 ------------------------------------x DONALD DIRENZO, SR.，和 JOSEPH DIRENZO, SR.，Plai
美国纽约东区地方法院 ------------------------------------x 原告唐纳德·迪伦佐 (DONALD DIRENZO, SR.) 和约瑟夫·迪伦佐 (JOSEPH DIRENZO, SR.) 起诉被告 TASA CONSULTING LLC、NATIVE AMERICAN ENERGY GROUP, INC.、维克多·王 (VICTOR WANG)、约瑟夫·达里戈 (JOSEPH D'ARRIGO) 等人。------------------------------------x
ACM 参考格式：Angel Hsing-Chi Hwang 和 Andrea Stevenson Won。2022 年。你心中的人工智能：平衡人机交互中的感知代理和经验。在 CHI 计算机系统扩展摘要人为因素会议（CHI '22 扩展摘要）中，2022 年 4 月 29 日至 5 月 5 日，美国路易斯安那州新奥尔良。ACM，美国纽约州纽约，10 页。https://doi.org/10。1145/3491101.3519833
你会如何描绘人工智能的肖像？无论你想象的是人脸、机械机器人还是抽象物体，这种想象都会揭示你对人工智能的概念。人类与人工智能介导实体的互动方式深受其感知的影响 [ 21 ， 23 ， 36 ， 39 ]。例如，当人工智能系统采用人形社交线索设计时，用户很容易分散对人工智能系统的可靠性和可信度的注意力 [ 35， 37， 38， 42， 43 ]。在这项探索性研究中，我们要求参与者通过绘画任务将他们对人工智能的看法形象化。虽然用户对人工智能的印象可能因设备、品牌和环境而异，但我们的目标是为人类对人工智能的看法提供初步的“基线”。如果我们发现用户对人工智能的感知主要是与人类相似，这就警告我们，用户可能在与人工智能交互时应用了不准确的启发式方法。如果大多数参与者将人工智能视为工具，这可能会导致我们思考如何将具身化考虑纳入其中，从而帮助建立人机协作中的信任和协同作用。应用认知心理学中的心智感知框架 [ 13 ]，我们根据用户对人工智能介导实体的感知形象，讨论用户在人机交互 (HAII) 中的行为和设计含义。
ACM 参考格式：Valentina Golendukhina、Valentina Lenarduzzi 和 Michael Felderer。2022 年。对于 AI 工程师来说，软件质量是什么？走向迷雾的稀薄化。在 CAIN '22：第 1 届 AI 工程会议 - AI 软件工程，2022 年 5 月 21-22 日，地点待定。ACM，美国纽约州纽约，9 页。https://doi.org/10.1145/1122445.1122456
人工智能 (AI) 越来越受欢迎，被应用于我们日常使用的众多应用和技术中。大量支持 AI 的应用程序是由没有接受过软件质量实践或流程适当培训的开发人员开发的，而且一般缺乏最先进的软件工程流程。支持 AI 的系统是一种基于软件的系统，除了传统软件组件外，还包含 AI/ML 组件 [5]。与任何软件系统一样，支持 AI 的系统需要关注软件质量保证 (SQA)，尤其是代码质量 [17]。当前的开发流程，尤其是敏捷开发模型，使公司能够决定后期在其系统中采用的技术。因此，很难预测
ACM 参考格式：Erik Hemberg 和 Una-May O'Reilly。2021 年。使用整理的网络安全数据集进行机器学习和人工智能。在 ACM KDD AI4Cyber：KDD'21 上第一届人工智能网络安全分析研讨会，2021 年 8 月 14 日至 18 日，虚拟。ACM，美国纽约州纽约，5 页。https://doi.org/10.1145/nnnnnnn.nnnnnnn
有时彼此之间有外部链接。在这里，我们展示了如何使用单个数据集 BRON 1 ，该数据集支持行为级别的 AI 建模和 ML 推理，见图 1，方法是使用一组合并的关键公共威胁和漏洞信息源。BRON 在 [11] 中有完整描述。不幸的是，公共威胁和漏洞信息是从历史攻击中提取的，例如高级持续性威胁 (APT)。事后，APT 被分类和定义为特定行为者追求目标的行为，构成具有特定策略、技术和程序的威胁。攻击目标被列为硬件或软件漏洞或暴露，有时它们本身会交叉引用到代码、设计或系统架构中发现的某种弱点。攻击模式是手动识别和枚举的。根据其类型，每个信息单元都填充为特定数据库的条目，并进行一定程度的交叉引用。组合数据库之间具有不规则的成对链接，可用于防御推理。本文展示了将四个公共数据库的数据合并成一个图形数据库 BRON [11] 的用途。这四个数据库分别是：
ACM 参考格式：Shravya Channamadhavuni、Sven Thijssen、Sumit Kumar Jha 和 Rickard Ewetz。2021 年。使用模拟内存计算加速 AI 应用：挑战和机遇。在 2021 年大湖区 VLSI 研讨会 (GLSVLSI '21) 论文集上，2021 年 6 月 22 日至 25 日，虚拟活动，美国。ACM，美国纽约州纽约，6 页。 https://doi.org/10.1145/3453688.3461746
通过重新思考计算堆栈的所有层，包括硬件、软件和软硬件基本方法和方案 [1, 2, 4]。由于有望同时实现密集存储和节能模拟处理，基于非易失性电阻技术的内存计算已成为克服上述挑战的一种有吸引力的解决方案。非易失性电阻器件是一种具有可编程电阻的双端器件，可以使用忆阻器 [11, 35]、电阻随机存取存储器 (ReRAM) [23, 38]、相变存储器 (PCM) [20, 39] 或自旋转移力矩磁性随机存取存储器 (STT-RAM) [18, 31] 来实现。通过将新兴设备集成到电阻交叉阵列 (RCA) 中，可以在模拟域中执行近似矩阵向量乘法 (MVM)。这是很有希望的，因为计算比数字域中的能源效率高得多（数量级）[17]。通过将矩阵存储在内存中并现场执行计算，数据移动也大大减少[9, 32]。此外，MVM 是许多 AI 应用中的主要计算，例如深度学习 [22]、图像处理 [24] 和图形分析 [34]。利用模拟内存计算的主要挑战是，各种错误和变化源可能会降低计算精度。这包括设备写入错误、非零阵列寄生效应、有限的设备产量、电阻漂移、温度变化、随机电报噪声和有限的设备耐久性。此外，在模拟域中引入的任何错误都可能损害加速应用程序的功能正确性。例如，神经网络的硬件分类准确性可能明显低于软件级别。相反，数字计算系统中的稳健性问题只会引入时序违规，可以使用动态电压频率缩放 (DVFS) 来缓解。为了在系统级性能上提供保证，需要在设备级、算法级和软件应用程序级进行协同创新。虽然设备级研究人员不断尝试改进制造设备的特性，但开发所需的算法和软件级支持变得迫在眉睫。在本文中，我们回顾了使用模拟内存计算加速 AI 应用所面临的挑战、解决方案和未来研究方向。第 4 节概述了未来研究的机会。第 2 节讨论了模拟矩阵向量乘法的基本概念、目标 AI 应用以及不同误差的建模。第 3 节回顾了在算法和软件层面上提高对误差的鲁棒性的最新解决方案。第 5 节总结了本文。
ACM 参考格式：Abolfazl Lavaei、Bingzhuo Zhong、Marco Caccamo 和 Majid Zamani。2021 年。迈向值得信赖的人工智能：随机网络物理系统中未经认证控制器的安全管理架构。在网络物理系统的计算感知算法设计 (CAADCPS'21) 中，2021 年 5 月 19-21 日，美国田纳西州纳什维尔。ACM，美国纽约州纽约，2 页。https://doi.org/10.1145/3457335。3461705
1 摘要 基于人工智能（又称 AI）的控制器在信息物理系统（CPS）中被广泛应用以完成复杂的控制任务，因而在过去几年中受到了广泛关注。然而，保证配备此类（未经认证的）控制器的 CPS 的安全性和可靠性目前非常具有挑战性，这在实际许多安全关键应用中至关重要。为了解决这一困难，我们提出了一种 Safe-visor 架构，用于在随机 CPS 中对基于 AI 的控制器进行沙盒处理。所提出的框架包含（i）一个基于历史的监控器，它检查来自基于 AI 的控制器的输入并在系统的功能性和安全性之间做出妥协，以及（ii）一个安全顾问，当基于 AI 的控制器危及系统的安全时提供后备。通过采用这种架构，我们为可以用确定性有限自动机（DFA）的接受语言表示的那些类别的安全规范的满足提供了正式的概率保证，而基于人工智能的控制器虽然不可靠，但仍可以在控制回路中使用。
Michael Anis Mihdi Afnan、Cynthia Rudin、Vincent Conitzer、Julian Savulescu、Abhishek Mishra、Yanhe Liu 和 Masoud Afnan。2021. 人工智能在体外受精中选择胚胎的伦理实施。2021 年 AAAI/ACM 人工智能、伦理和社会会议 (AIES '21) 论文集，2021 年 5 月 19-21 日，美国虚拟活动。ACM，美国纽约州纽约，11 页。https://doi.org/10.1145/3461702.3462589
体外受精 (IVF) 是一种彻底改变不孕症治疗的临床技术。该过程包括在实验室中使卵子受精，然后将产生的胚胎移植到子宫中。自然受精和受孕是一种低效的过程，任何特定胚胎活产的几率都很低。自然和医学治疗的解决方案是创造多个胚胎，以便最终可能有一个胚胎着床。在自然界中，成本是怀孕时间，如果没有胚胎着床，则需要承受无子女的痛苦。在临床实践中，成本还以美元来衡量。为了提高临床实践的效率，人们非常重视选择最有可能着床的胚胎。实验室最近的一项创新是几天内对培养中的胚胎进行延时成像。这产生了数千个视觉数据点，并有望通过基于人工智能 (AI) 的模型增强胚胎选择过程。在本文中，我们概述了 IVF 过程，回顾了目前使用人工智能进行胚胎选择的方法，讨论了在此特定领域使用人工智能的伦理问题，并提出了有关这项新技术的伦理实施建议。最后，我们鼓励人工智能研究人员与生育临床医生合作，以有意义且合乎道德的方式推进这项研究。
b“ \ xe2 \ x80 \ xa0这些作者同等贡献，是联合\ xef \ xac \ XAC \x81rest。1作者。1电气工程系和塔布研究所，哥伦比亚大学，纽约，纽约，纽约州，纽约州，纽约州，纽约州2美国纽约州约克4号辐射肿瘤学和欧文医学中心，哥伦比亚大学，纽约，纽约，美国5病理学和细胞生物学系，以及美国纽约州哥伦比亚大学的欧文医学中心，美国纽约，纽约，纽约州6 6号，纽约，纽约，纽约，纽约，纽约，纽约，欧文医学中心和赫伯特·欧文综合综合大学，哥伦比亚大学哥伦比亚大学，哥伦比亚大学，哥伦比亚大学，哥伦比亚大学。美国纽约州纽约市精神病学研究所8神经病学系和陶伯研究所，哥伦比亚大学，纽约，纽约，美国9号，美国9号神经病学系，陶伯研究所，塞吉夫斯基中心，放射学和精神病学，哥伦比亚大学，纽约，纽约，纽约，纽约州，纽约州，纽约州纽约州，美国10号。 jg3400@columbia.edu 11用于准备本文的数据部分是从阿尔茨海默氏病神经成像计划（ADNI）数据库（ADNI.loni.usc.edu）中获得的。因此，ADNI中的调查人员为ADNI的设计和实施做出了贡献
b“ \ xe2 \ x80 \ xa0这些作者同等贡献，是ton \ xef \ xac \ x81rst作者。1电气工程系和陶伯研究所，哥伦比亚大学，纽约，纽约，美国2生物学科学系，纽约州哥伦比亚大学，纽约，纽约，哥伦比亚大学3哥伦比亚大学哥伦比亚大学，纽约，纽约，纽约，纽约州哥伦比亚大学，美国纽约，纽约州，美国4号纽约州4岁，4岁，美国4号，哥伦比亚郡及其伊利诺伊州哥伦比亚群岛，哥伦比亚郡，哥伦比亚郡，哥伦比亚群岛。 Irving Medical Center, Columbia University, New York, NY, USA 6 Department of Radiation Oncology, the Irving Medical Center and the Herbert Irving Comprehensive Cancer Center, Columbia University, New York, NY, USA 7 Department of Psychiatry, Columbia University, and the New York State Psychiatric Institute, New York, NY, USA 8 Department of Neurology and the Taub Institute, Columbia University, New York, NY, USA 9 Department of Neurology, the TAUB Institute，Sergievsky中心，放射学和精神病学，哥伦比亚大学，纽约，纽约，纽约，美国10精神病学系，Mortimer B. Zuckerman Mind Marin Brain Brain行为研究所，哥伦比亚大学，纽约，美国纽约，电子邮件：数据库（adni.loni.usc.edu）。因此，ADNI中的调查人员为ADNI和/或提供数据的设计和实施做出了贡献，但没有参与本报告的分析或撰写。可以在：http：//adni.loni.usc.edu/wp-content/uploads/how_to_to_papply/adni_ventledgement_list.list.pdf“
美国纽约东区地方法院美国纽约东区地方法院修订计划依据
A. 事先授权 ................................................................................................................ 28 B. 无需事先授权 .............................................................................................................. 29 C. 死刑和凶杀案 .............................................................................................................. 30 D. 书面确认的必要性 ............................................................................................................ 30 E. 合伙人 ...................................................................................................................... 30 F. 财务资格 ...................................................................................................................... 31 XI. 审查流程 ...................................................................................................................... 31 XII. 表格 ............................................................................................................................. 33 XIII. ECF ............................................................................................................................. 33 XIV. 规则和报告 ...................................................................................................................... 34 XV. 修订 ............................................................................................................................. 34 XVI. 生效日期 ...................................................................................................................... 34
ACM 参考格式：Tao Xie。2018 年。智能软件工程：人工智能与软件工程之间的协同作用。在 ISEC '18：软件工程创新会议上，2018 年 2 月 9 日至 11 日，印度海得拉巴。ACM，美国纽约州纽约，文章 4，1 页。https://doi.org/10.1145/3172871.3172891
自动化使软件工程更有效。在我们看来，我们主张研究界退后一步（不要只是简单地应用人工智能技术），探索利用人工智能技术和其他技术（如程序分析）在软件工程解决方案中注入智能。开放的研究问题包括如何定义或确定软件工程解决方案的智能水平，如何为软件工程解决方案带来高水平的智能，以及如何协同整合机器智能和人类智能（如领域知识或洞察力）以有效应对具有挑战性的软件工程问题。此外，我们主张研究界调查所提出的智能解决方案所做的假设在软件工程实践中是否有效，例如，用于机器学习的训练数据的代表性是否足以满足实际实践的要求 [7]。智能软件的软件工程。对智能软件的安全性和控制能力信心不足限制了智能软件在现实世界中的部署范围 [2]。此外，人工智能软件的安全性越来越受到关注，促使最近对对抗性机器学习进行了活跃的研究 [4,5]。为了确保智能软件的可靠性，软件测试技术在实践中得到了广泛的应用，但测试预言是一个众所周知的挑战[3, 6]。