XiaoMi-AI文件搜索系统
World File Search System解释
自动化：一种有效且可解释的化学ADMET财产预测方法
允许将本工作的全部或一部分供个人或课堂使用的数字或硬副本授予，而没有费用，只要副本不是盈利或商业优势，并且副本带有此通知和首页上的完整引用。必须尊重他人所拥有的这项作品的组成部分的版权。允许用信用摘要。否则复制或重新出版以在服务器上发布或重新分配到列表，需要事先特定的许可和/或费用。请求权限从permissions@acm.org。
IML：可解释的机器学习
说明可解释性方法分析任何机器学习模型的行为和预测。实施的方法是：Fisher等人描述的特征重要性。（2018），累积的局部效应图，由Apley（2018），弗里德曼（Friedman（2001） （2013），Ribeiro等人描述的本地模型（“石灰”的变体）。 al（2016），STRUMBELJ ET所描述的Shapley值。 al（2014），Friedman等人描述的特征交互。 al 和树替代模型。（2013），Ribeiro等人描述的本地模型（“石灰”的变体）。al（2016），STRUMBELJ ET所描述的Shapley值。al（2014），Friedman等人描述的特征交互。al 和树替代模型。
解释和整合基因组检验会导致临床癌症护理：概述和实际指导
脑膜瘤的护理标准包括手术切除和放射疗法，而药物疗法几乎在该疾病中没有作用。我们从手术去除脑膜瘤中产生了原发性培养物，以探索脑膜瘤细胞培养物中新型细胞周期蛋白依赖性激酶抑制剂TG02的活性。肿瘤和细胞培养物是通过突变的填充和DNA甲基化促进的特性。DNA甲基化数据用于将每个样品分配为六个先前确定的脑膜瘤甲基化类别中的一个：良性（BEN）-1、2、3，中间（INT）-a，B和恶性（MAL）。分配给甲基化类BEN-2的四个肿瘤在培养物中显示出相同的类别，而五个非BEN-2肿瘤的培养物在四名患者中显示出更恶性的类别。细胞培养物在纳摩尔范围内均匀地固定到TG02。将细胞培养物分配给更恶性甲基化类别似乎与TG02敏感性相关，而不是分配给原发性肿瘤等级的更高WHO。 脑膜瘤的原代细胞培养物促进了新型药物抗脑膜瘤活性的研究。 TG02，一种口服可用的细胞周期蛋白依赖性激酶（CDK）抑制剂，需要进一步探索。 ©2020作者。 由Elsevier Inc.代表Neoplasia Press，Inc。出版。 这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）下的开放访问文章。将细胞培养物分配给更恶性甲基化类别似乎与TG02敏感性相关，而不是分配给原发性肿瘤等级的更高WHO。脑膜瘤的原代细胞培养物促进了新型药物抗脑膜瘤活性的研究。TG02，一种口服可用的细胞周期蛋白依赖性激酶（CDK）抑制剂，需要进一步探索。©2020作者。由Elsevier Inc.代表Neoplasia Press，Inc。出版。这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）下的开放访问文章。
纪录片解释了获得无罪释放的国防战略Simpson
缺少证据以对检方的DNA证据提出质疑。律师艾伦·德霍维茨（Alan Dershowitz）是该团队中最有经验的罪行，他通过一个奇怪的类比展示了必要做的事情：，但想象一下意大利面条酱会出现蟑螂。没有人想知道在碗中寻找便宜的。将把所有意大利面扔进垃圾桶。”
一个新的理论框架共同解释了执行灵活决策的受试者的行为和神经变异性
能够根据上下文信息灵活切换对外部刺激的反应的能力对于与复杂世界的成功互动至关重要。在许多领域1-3中必须进行上下文依赖性计算，但它们的神经实现仍然很少理解。在这里，我们在大鼠中开发了一项新颖的行为任务，以研究上下文依赖性的选择和决策证据的积累4-6。在猴子和大鼠数据支持的假设下，我们首先从数学上显示网络可以通过三个定义组件的组合来解决此问题。可以通过实验数据直接识别和测试这些组件。我们进一步表明，现有的电生理和建模数据与这些组件的各种可能组合兼容，这表明不同的个体可以使用不同的组件组合。为了研究各个受试者的变异性，我们开发了自动化的高通量方法来培训大鼠的任务，并在其上训练了许多受试者。与理论预测，神经和行为分析一致，尽管任务表现均匀，但大鼠均显示了跨大鼠的实质异质性。我们的理论进一步预测了行为和神经信号之间的特定联系，该签名在数据中得到了强有力的支持。总而言之，我们的结果提供了一个新的实验支持的理论框架，以分析执行灵活决策任务的生物学和人工系统中的个体变异性，它们为较高认知的个体变异性研究打开了大门，并提供了对情境依赖性计算的神经机制的见解。
可解释的AI可区分未来的气候变化方案
为了说明与温室气体排放水平相关的未来预测中的不确定性，大多数气候模型都使用不同的强迫场景（例如共享的社会经济途径（SSP））运行。尽管可以将现实世界中温室气体浓度与这些假设的情况进行比较，但尚不清楚如何确定观察到的天气和气候异常是否与各个场景保持一致，尤其是在年际时间表上。因此，本研究使用人工神经网络（ANN）设计了一种数据驱动的方法，该方法通过使用高分辨率的单个模型初始条件大型合奏来通过匹配的排放场景来对年度平均温度或降水进行分类。在这里，我们构建了我们的ANN框架，以考虑气候图是来自SSP1-1.9，SSP2-4.5，SSP5-8.5，历史强迫场景，还是使用NOAA地球物理学动力学动态实验室的预测和地球系统研究（Spear）的无缝预测系统研究（Spear）的自然强迫场景。然后应用来自可解释的AI的局部归因技术来确定每个ANN预测使用的最相关的温度和降水模式。解释性结果表明，区分每个气候情况的一些最重要的地理区域包括北大西洋亚洲，中非和东亚的异常。最后，我们评估了从2031或2040年开始的两个过冲模拟的数据，这些模拟是一组未来的模拟，这些模拟被排除在ANN训练过程中。对于从十年前开始的快速缓解实验，我们发现ANN将其气候图与21 Century（SSP1-1.9）的最低发射情况联系起来，而与更中等的情况（SSP2-4.5）相比，它将在后来的缓解实验中选择。总体而言，该框架表明，可解释的机器学习可以提供一种可能通过未来气候变化途径评估观察结果的可能策略。
用最小的认知网格分析仿生系统的解释力
在本文中，我认为混合仿生系统的人工组成部分不起直接的解释作用，即，在模拟的术语中，在它们嵌入的系统的总体上。更准确地说，我声称确定这种人工设备的输出，替换生物组织并与其他生物组织相关的内部程序不能直接解释它们代替它们的生物组分的相应机制（因此，无法用来解释该本地机制来解释该生物学或认知的局部机制，以确定这种总体或认识性的模型。i对使用最小认知网格（MCG）的分析进行了这种分析，这是一个在Lieto中提出的新框架（人工思维的认知设计，2021年），以对生物学上和认知上平淡的人工系统的认识论和解释性状态进行排名。尽管缺乏人工组件的直接机械解释，但是我还认为，混合仿生系统可以具有与使用整体结构设计方法构建的AI系统相似的间接解释作用（但包括部分功能组件）。尤其是，生物系统部分的人工置换可以为i）在混合生物学 - 人工系统的整体功能和ii）全球洞察力的整体功能中提供该部分的局部功能说明，以实现与此类艺术元素相关的生物学元素的结构机制。
电生理学硕士，在心脏MRI中进行启动，并解释遗传性心脏病患者的基因检测计划
电生理学中的主人在心脏MRI中进行启动并解释了电生理学的遗传性心脏病患者的遗传测试，电生理学的遗传学计划：120小时（15天）人的电生理学培训（Policlinico san Matteo Pavia）的人体电生理学培训（Policlinico San Matteo Pavia） Cardiovascular Imaging (48 ore in person @ ICS Maugeri, IRCCS Pavia) Dr Lorenzo Monti: Training IN PERSON in MRI (acquisizione e interpretazione dati) frequenza Martedi 8 ore e Giovedi 8 ore ( 2 masterizzandi a settimana x 3 settimane totale 48 ore ) Introduction CT and MRI play an increasingly important role in cardiac电生理学，主要是在消融程序的预性外部计划中，但也是在程序性指导和过程后的随访中。 最常见的应用包括消融心房颤动（AF），室性心动过速（VT）的消融以及计划心脏重新同步治疗（CRT）。 用于AF消融，预室进行预性评估包括使用CT或MRI的解剖学评估和计划。 通过将CT或MRI的解剖学数据与电工学映射融合以指导该过程，可以实现AF消融过程中的程序指导。 在AF消融后用CT进行的术后成像通常用于评估并发症，例如肺静脉狭窄和心动过管瘘。 为VT消融，MRI和有时CT都用于识别疤痕，代表靶向消融的心律失常底物，并计划最佳的消融方法。在心脏MRI中进行启动并解释了电生理学的遗传性心脏病患者的遗传测试，电生理学的遗传学计划：120小时（15天）人的电生理学培训（Policlinico san Matteo Pavia）的人体电生理学培训（Policlinico San Matteo Pavia） Cardiovascular Imaging (48 ore in person @ ICS Maugeri, IRCCS Pavia) Dr Lorenzo Monti: Training IN PERSON in MRI (acquisizione e interpretazione dati) frequenza Martedi 8 ore e Giovedi 8 ore ( 2 masterizzandi a settimana x 3 settimane totale 48 ore ) Introduction CT and MRI play an increasingly important role in cardiac电生理学，主要是在消融程序的预性外部计划中，但也是在程序性指导和过程后的随访中。最常见的应用包括消融心房颤动（AF），室性心动过速（VT）的消融以及计划心脏重新同步治疗（CRT）。用于AF消融，预室进行预性评估包括使用CT或MRI的解剖学评估和计划。通过将CT或MRI的解剖学数据与电工学映射融合以指导该过程，可以实现AF消融过程中的程序指导。在AF消融后用CT进行的术后成像通常用于评估并发症，例如肺静脉狭窄和心动过管瘘。为VT消融，MRI和有时CT都用于识别疤痕，代表靶向消融的心律失常底物，并计划最佳的消融方法。ct或MR图像可以与电流图中的电解质图融合，以进行VT消融过程中的经术内指导，并且还可以用于评估消融后并发症的并发症。最后，可以使用MRI的结构和功能信息来识别可能从CRT中受益的患者，并且使用CT或MRI的心脏静脉映射可能有助于计划访问。硕士课程电生理学硕士学位将保证直接访问心脏MRI诊断室，以确保直接体验患者准备，图像获取和后处理，并亲身体验CMR成像的可能性和限制。
一种定量方法，用于比较添加性局部解释方法
局部添加说明方法越来越多地用于了解复杂机器学习（ML）模型的预测。最常用的广告方法，塑造和石灰，遭受文献中很少测量的局限性。本文旨在使用六个定量指标来衡量对OpenML数据集（304）数据集的这些限制，还评估了基于新兴联盟的方法来解决其他方法的弱点。我们在特定的医疗数据集（Sa Heart）上说明和验证结果。我们的发现表明，石灰和沙普的大约在高维度上特别有效，并产生了可理解的全球解释，但是在更改方法的pa-rameters时，它们缺乏精确度，并且可能是不需要的行为。基于联盟的方法在高维度上在计算上昂贵，但提供了更高质量的本地解释。最后，我们提出了一个路线图，总结了我们的工作，指出了最合适的方法，具体取决于数据集维度和用户的目标。
解释可再生柴油和生物柴油之间的区别。
另一个问题是这些可再生饲料来源可能包含各种污染物。对几种不同生物饲料来源的分析表明存在钠、钙和磷等污染物。由于这些可再生饲料来自生物来源，因此它们还含有高浓度的氧气。氧气含量范围为 10% 至 15%，完全取决于脂肪酸链的长度和饱和度。这种氧气量很重要，因为在正常的加氢处理条件下，氧气会与氢气反应生成水。如果产生的水量足够大，可能会导致催化剂载体减弱或活性金属重新分布以及表面积损失等问题。在预期的 10% 混合比下，氧气含量约为 1 至 1.5 wt%，即使所有氧气都转化，也不太可能产生足够的水而造成严重问题。