XiaoMi-AI文件搜索系统
World File Search System解释性
PAS2060合格的解释性陈述
Infosys是一家处理技术，咨询和外包的服务公司。我们不将使用我们的咨询和外包服务使用的排放归因于世界各地的客户位置。我们为客户提供的技术解决方案在被不同部门使用时消耗电力，并且结果已被确定为我们3排放范围的一部分。我们已经评估并与几个标准设定的机构进行了评估，以提供同一指导。但是，此时尚无标准/准则来估计相同的标准/准则。此外，总体产品业务（Edge Verve等）并没有显着贡献业务收入，因此可以忽略不计。因此，由于使用我们的软件解决方案，我们无法评估或陈述排放量及其与我们的deMinimis一致的重要性 - 未评估
通过机械可解释性来解释人工智能
可解释人工智能 (XAI) 领域的最新研究试图通过分而治之的策略使不透明的 AI 系统变得易于理解。然而，这无法阐明经过训练的 AI 系统作为一个整体是如何工作的。然而，正是这种功能性理解才是满足安全等重要社会需求所必需的。为了解决这种情况，我们认为，AI 研究人员应该寻求机械可解释性，即应用生命科学中熟悉的协调发现策略来揭示复杂 AI 系统的功能组织。此外，理论家在描述 XAI 研究时应该考虑到此类策略的独特成本和收益。
机器学习可解释性方法回顾
摘要：人工智能 (AI) 的最新进展导致了其在工业领域的广泛应用，机器学习系统在大量任务中表现出超越人类的性能。然而，这种性能的激增通常是通过增加模型复杂性来实现的，将这些系统变成“黑箱”方法，并导致它们的运行方式以及最终它们做出决策的方式存在不确定性。这种模糊性使机器学习系统难以在敏感而关键的领域采用，而这些领域的价值可能巨大，例如医疗保健。因此，近年来，人们对可解释人工智能 (XAI) 领域的科学兴趣重新燃起，该领域涉及开发解释和解释机器学习模型的新方法。本研究重点关注机器学习可解释性方法；更具体地说，我们介绍了这些方法的文献综述和分类，以及它们的编程实现的链接，希望这项调查可以为理论家和实践者提供参考。
机器学习模型可解释性的趋势
机器学习 (ML) 模型在医疗保健、金融和自主系统等关键领域的部署日益增多，凸显了人工智能决策对透明度和问责制的迫切需求。这促使人们越来越关注可解释人工智能 (XAI)，这是一个致力于开发方法和工具的子领域，使复杂的 ML 模型可以被人类解释。本文探讨了 XAI 的主要趋势，研究了用于增强机器学习模型可解释性的理论基础和实用方法。我们全面回顾了可解释模型设计、事后可解释性技术和评估解释质量和可信度的评估指标方面的最新进展。本文还深入探讨了模型准确性和可解释性之间的权衡，以及为包括数据科学家、最终用户和监管机构在内的各种利益相关者提供有用且可理解的解释所面临的挑战。最后，我们重点介绍了 XAI 研究中的新兴方向，包括因果推理、公平性和道德考虑在可解释模型开发中的作用。通过综合当前的趋势和挑战，本文旨在更广泛地了解 XAI 的最新进展及其促进更透明、更负责和更用户友好的 AI 系统的潜力。关键词：xai、机器学习、可解释性、可解释性、公平性、敏感性、黑盒。1.介绍
医疗保健领域人工智能的可解释性
摘要背景：在人工智能 (AI) 应用于医疗保健领域时，可解释性是最受争议的话题之一。尽管人工智能驱动的系统已被证明在某些分析任务中表现优于人类，但缺乏可解释性仍然引发批评。然而，可解释性不是一个纯粹的技术问题，相反，它引发了一系列需要彻底探索的医学、法律、伦理和社会问题。本文对可解释性在医学人工智能中的作用进行了全面评估，并对可解释性对于将人工智能驱动的工具应用于临床实践的意义进行了伦理评估。方法：以基于人工智能的临床决策支持系统为例，我们采用多学科方法从技术、法律、医学和患者的角度分析了可解释性对医学人工智能的相关性。基于这一概念分析的结果，我们随后进行了伦理评估，使用 Beauchamp 和 Childress 的“生物医学伦理原则”（自主、仁慈、不伤害和正义）作为分析框架，以确定医疗 AI 中可解释性的必要性。结果：每个领域都强调了一组不同的核心考虑因素和价值观，这些因素与理解可解释性在临床实践中的作用有关。从技术角度来看，可解释性必须从如何实现和从发展角度来看有什么好处两个方面来考虑。从法律角度来看，我们将知情同意、医疗器械认证和批准以及责任确定为可解释性的核心接触点。医学和患者的观点都强调了考虑人类行为者和医疗 AI 之间相互作用的重要性。我们得出的结论是，在临床决策支持系统中忽略可解释性会对医学的核心伦理价值观构成威胁，并可能对个人和公共健康产生不利影响。结论：为了确保医疗 AI 兑现其承诺，需要让开发人员、医疗保健专业人员和立法者意识到医疗 AI 中不透明算法的挑战和局限性，并促进多学科合作。关键词：人工智能、机器学习、可解释性、可解释性、临床决策支持
ERAP 报告解释性说明
该文件可在 NSTAs 网站上找到。© NSTA 版权所有 2024 URN 您可以根据 NSTA 用户协议的条款，以任何格式或媒介免费重复使用此信息。要查看此信息，请访问：https://www.nstauthority.co.uk/site-tools/access-to-information/ 或发送电子邮件至 communications@nstauthority.co.uk 该文件可应要求提供大字版、音频版和盲文版。请发送电子邮件至：correspondence@nstauthority.co.uk 并提供您需要的版本。咨询：北海过渡局 避难所大楼 20 Great Smith Street London SW1P 3BT 电子邮件：correspondence@nstauthority.co.uk 由北海过渡局发布
关于欧洲联盟立法的解释性备忘录...
框架将通过联合协商工作组通知英国政府，并将逐案审议，并以通常的方式向议会提交解释性备忘录 (EM)。与欧盟共享的治理结构，包括根据英国-欧盟退出协议和框架建立的结构，确保如果未来规则在北爱尔兰的应用存在潜在问题，则有机制来处理。此外，一旦北爱尔兰政治机构恢复，将制定温莎框架（民主审查）条例。这些条例确保北爱尔兰机构受到民主监督，并通过斯托蒙特刹车获得跨社区保障，以修改/替换欧盟商品规则。如果英国已收到适用的 CWP 提案的通知，并且在某些情况下已经提交，则正在准备 EM。这些内容收录在本 EM 的附件中。19. 此外，CWP 中的许多提案可能会与英国的规定相互作用-
ISIC，修订版5解释性注释
01农作物和动物的生产，狩猎和相关服务活动，该部门包括两项基本活动，即作物产品的生产和动物产品的生产。该部门包括在开放土地，覆盖面或温室中种植农作物。组015（混合农业）与识别主要活动的通常原则中断。接受许多农业单位具有合理平衡的作物和动物生产，并且将它们分为一个类别或另一个类别是任意的。该分区包括农作物的土豆植物，包括水培和水培培养基。该部门还包括服务活动，以及农业附带的，以及狩猎，陷阱和相关活动。农业活动排除了对农产品的任何后续加工（根据第10和第11个分类（食品和饮料的生产）和第12级（烟草产品的生产）），除了为主要市场做准备之外。这里包括为主要市场的产品制备。该部门不包括现场建设（例如农业土地梯田，排水，准备稻田等）在F（建筑）节中分类，买家和合作协会从事G节中分类的农产品的营销。还排除了景观服务活动，该活动已在8130类中分类。
有关所得税法和其他法律的解释性说明
第 1 部分 — 《所得税法》和其他法规的修正案 《所得税法》（“法案”或“ITA”）修正案 第 2 条 劳动力流动扣除 ITA 8(1)(t) 法案第 8 条列出了一系列有关纳税人从办公室或就业收入中扣除金额的规则。新的第 8(1)(t) 款引入了劳动力流动扣除（LMD），该扣除规定，工匠或学徒因长途跋涉以赚取建筑业临时就业收入而产生的某些交通、餐饮和临时住宿费用可扣除。除第 8(14) 款中的附加规则外，纳税人当年临时搬迁相关的扣除额不得超过纳税人当年因临时搬迁所赚取的就业收入的 50%。此外，考虑到当年所有临时搬迁，根据 LMD 可扣除的总金额限制为每年 4,000 加元。该修正案适用于 2022 年及以后的纳税年度。劳动力流动性扣除——对 ITA 8(14) 的解释 新的第 8(14) 款提供了与第 8(1)(t) 款中劳动力流动性扣除 (LMD) 的应用相关的额外规则。第 8(14)(a) 款将纳税年度中符合 LMD 资格的技术工人描述为纳税人，该纳税人从作为技术工人或学徒的就业中获得收入，并履行《所得税条例》第 238(1) 款所述的建筑活动中的就业职责。纳税人必须符合第 8(1)(t) 款中的合格技术工人的资格才能申请 LMD。第 8(14)(b) 款将纳税人就 LMD 而言的“临时工作地点”描述为加拿大境内的某个地点：
大脑时空动态的可解释性......
摘要：正念训练与心理健康和认知能力的改善相关，但这些变化背后的具体神经生理机制尚不清楚。本研究使用一种新型的受大脑启发的人工神经网络来研究正念训练对脑电图功能的影响。参与者在三个评估时间点完成一项 4 音听觉异常任务（包括目标和物理上相似的干扰物）。在 A 组（n = 10）中，这些任务是在 6 周正念训练之前、训练后立即和 3 周的随访中完成的；在 B 组（n = 10）中，这些任务是在干预等待期（训练前 3 周）、正念训练前和正念训练后完成的。使用脉冲神经网络（SNN）模型，我们评估了从捕捉与事件相关电位（ERP）相关的神经动态的脑电图数据特征中跨空间和时间生成的并发神经模式。该技术利用了整个 ERP 和跨电极空间极性变化的时间动态。研究结果支持对干扰项的反应相对于目标刺激的连接权重前移。右额叶对干扰项的连接权重与特质正念（正向）和抑郁（负向）相关。此外，正念训练与目标（仅双侧额叶、左额中央和颞叶区域）和干扰项的连接权重增加有关。SNN 模型在根据正念训练对大脑状态进行分类方面优于其他机器学习方法。研究结果表明 SNN 模型