XiaoMi-AI文件搜索系统
World File Search System解释性
罗杰斯先生提交的解释性声明
*2012 财年，陆军现役部队最终兵力包括 14,600 名士兵的临时最终兵力 *2013 财年，陆军现役部队最终兵力包括海外应急行动预算中要求的 49,700 名陆军最终兵力，以及陆军临时最终兵力陆军医疗 (TEAM) 计划基本预算中要求的 12,400 名增加兵力，该计划与综合可部署性评估系统中的非部署士兵有关 -2013 财年，海军陆战队现役部队最终兵力包括海外应急行动预算中要求的 15,200 名海军陆战队最终兵力
调节机器学习应用中的解释性
随着人工智能（AI）的兴起，对AI的关注，导致对安全，隐私，安全和公平性的危害正在加剧。尽管正在尝试制定法规的尝试正在进行，诸如《欧盟AI法》和2023年白宫行政命令之类的倡议持怀疑态度，但对此类法规的有效性充满了持怀疑态度。本文探讨了为AI应用程序解释性设计政策的跨学科范围，因为与欧盟一般数据保护法规相关的广泛讨论的“解释权”是模棱两可的。为了制定可解释性的实用指导，我们进行了一项实验研究，其中涉及在十个星期内具有AI和政策背景的研究人员之间的持续合作。目的是确定通过互际式的努力，我们是否可以就AI的解释性达成共识，该政策比目前的准则更清晰，更可行，更可行，更可执行。我们分享了九个观察结果，这些观察结果来自迭代政策设计过程，其中包括起草政策，试图遵守（或绕过它），并每周共同评估其有效性。主要观察结果包括：迭代和持续反馈对于随着时间的推移改善政策草案，在政策设计期间必要讨论合规性的证据，并且发现人类受试者的研究是一种重要的证据形式。这对政策制定者具有有希望的含义，表明可以实现对AI应用的实际和有效调节。我们以乐观情绪的注释，认为可以在适度的时间范围内实现有意义的政策，并且在政策设计方面的经验有限，这是我们团队中的学生研究人员所证明的。
灵活且针对特定情境的 AI 可解释性
摘要 近年来人们对人工智能 (AI) 的热情主要归功于深度学习的进步。深度学习方法非常准确，但也不够透明，这限制了它们在安全关键应用中的潜在用途。为了获得信任和问责，机器学习算法的设计者和操作者必须能够向用户、监管者和公民解释算法的内部工作原理、结果和失败的原因。本文的独创性在于结合可解释性的技术、法律和经济方面，开发一个框架来定义给定上下文中“正确”的可解释性水平。我们提出了三个逻辑步骤：首先，定义主要的背景因素，例如解释的受众是谁、操作背景、系统可能造成的危害程度以及法律/监管框架。此步骤将有助于描述解释的操作和法律需求，以及相应的社会效益。第二，检查可用的技术工具，包括事后方法（输入扰动、显着图......）和混合AI方法。第三，作为前两个步骤的功能，选择正确的全局和局部解释输出级别，同时考虑所涉及的成本。我们确定了七种成本，并强调只有当总社会效益超过成本时，解释才具有社会用途。
合格的解释性声明（根据PAS 2060）
a.3.2报告标准和范围本报告是根据PAS 2060标准和规格编制的，并在GHG排放库存验证过程中获得的指南。此外，碳足迹的能源报告和计算由GHG协议，国际能源机构（IEA），Defra/Beis，碳披露项目（CDP）和GRI 305和GRI 302的标准指导。BAT环境报告系统是根据上述准则和原则设计的，并严格遵守何时进行环境报告。本报告中使用的全球变暖潜在因素是根据英国政府的GHG转换因子Defra/Beis，它使用IPCC第四评估报告作为参考。bat zambia已为GHG报告定义了其组织边界，如图1.基于运营控制方法，该报告不包括蝙蝠赞比亚没有直接控制的任何排放，尽管第三方以其自身利益产生了排放。组织边界仅包括在LS-Mfez的包装香烟，仓库和行政功能的制造。基于活动的类型和从其来源产生的发射性质和发射的性质，操作边界内的温室气体排放量在两个类别中以范围1和2的形式组成。
大气科学的机器学习解释性教程
摘要：随着解释机器学习（ML）模型的兴趣越来越多，本文综合了许多与ML解释性相关的主题。我们将解释性与解释性，本地解释性以及功能重要性与功能相关性区分开。我们演示和可视化不同的解释方法，如何解释它们，并提供完整的Python软件包（Scikit-templain），以允许未来的研究人员和模型开发人员探索这些解释能力方法。解释性方法包括Shapley添加性解释（SHAP），Shapley添加剂全球解释（SAGE）和累积的局部效应（ALE）。我们的重点主要放在基于沙普利的技术上，这些技术是增强模型解释性的各种现有方法的统一框架。例如，制造一致的方法，例如可解释的模型 - 不合Snostic解释（lime）和树解释器，用于局部解释性，而鼠尾草则统一了对全球解释性的置换重要性的不同变化。我们提供了一个简短的教程，用于使用三个不同数据集解释ML模型：用于对流的模型数据集用于恶劣天气预测，一个用于子冷冻道路表面预测的幕后数据集，以及用于雷电预测的基于卫星的数据。此外，我们还展示了相关特征对模型的解释性的不利影响。最后，我们演示了评估特征组的模型图案而不是单个特征的概念。评估特征组可减轻特征相关性的影响，并可以对模型提供更全面的理解。本研究中使用的所有代码，模型和数据都可以自由使用，以加速大气和其他环境科学中的机器学习解释性。
对推荐系统的解释性的简短审查
抽象的人工智能，特别是机器学习和深度学习模型通常被认为是快速和高性能的，但总的来说，缺乏透明度和可解释性。在人工智能的整个广泛情况下，与解释性及其后果相关的问题变得越来越重要。要解决此问题，可以解释的AI，作为一组人工智能技术，能够使自己的决定更加透明和解释，以便用户理解该系统提供其结果，决策或在推荐系统的情况下的具体原因。在异质领域和环境中非常需要解释的人工智能，因为基于人工智能的系统的透明度，可解释性甚至是帐户能力的需求是最必要的，正如欧洲联盟2018年通用数据保护法规中最近的解释权所证实的那样。由于推荐系统在日常生活和业务领域的许多应用领域和情况中的扩散，因此系统不仅可以为人类决策者提供建议并简化组织中的决策过程，而且还可以提供正确的建议动机。本文总结了针对推荐系统的可解释人工智能的艺术状态研究的结果。我们将遵循文献中的主要评论，以介绍主要的工作，可解释的建议和方法。
智能能源系统中的人工智能可解释性和治理
传统电网长期以来一直受到运行不可靠、不稳定、不灵活和效率低下的困扰。智能电网（或智能能源系统）继续通过新兴技术、可再生能源和其他趋势改变能源行业。人工智能 (AI) 正在应用于智能能源系统，以处理该领域的海量复杂数据并做出明智及时的决策。然而，人工智能缺乏可解释性和可治理性是利益相关者的主要担忧，阻碍了人工智能在能源领域的快速应用。本文回顾了智能能源系统中人工智能的可解释性和治理。我们从 Scopus 数据库中收集了 3,568 篇相关论文，自动发现能源领域人工智能治理的 15 个参数或主题，并通过回顾 150 多篇论文并提供研究的时间进展来阐述研究前景。发现参数或主题的方法基于“深度新闻”，这是我们基于数据驱动的深度学习的大数据分析方法，可以自动发现和分析横断面多视角信息，从而实现更好的决策并开发更好的治理工具。研究结果表明，对能源系统中人工智能可解释性的研究是分段的，并且仅关注少数人工智能特征和能源系统问题。本文加深了我们对能源领域人工智能治理的认识，有望帮助政府、行业、学术界、能源产消者和其他利益相关者了解能源领域人工智能的前景，从而更好地设计、运营、利用和管理能源系统。
可解释性和研究数据管理的核心地位
近年来，大数据的计算能力和可用性不断增强，极大地增强了人工智能 (AI) 的能力 [10]。因此，人工智能——从最简单的意义上讲，被定义为“计算机或其他机器执行需要人类智能的活动的能力”[1]——已成为广泛工业、社会和知识领域的变革力量 [11]。它为创新提供了巨大的机会 [4、5]，为复杂问题提供了新的解决方案 [39]，并使我们能够解决重大社会问题，包括可持续发展和环境可持续性 [33、41、42]。特别是，数据密集型研究和应用受益于人工智能，因为它可以处理和分析大量结构化和非结构化（大）数据 [10、23]。大数据也可用于促进创新和企业社会绩效 [ 6 , 16 ]。因此，人工智能和大数据的结合提供了前所未有的创新潜力。化学研发 (R&D) 从一开始就从数据中获得了洞察力。在光线下
量化医疗人工智能中可解释性的可信度
图3 市售 AI 软件的显着相关性评估。通过扰动原始胸部 X 光片（上行），通过攻击代理模型生成对抗性图像（下行）。然后将对抗性图像输入到市售医疗 AI 模型中。请注意，从原始图像到对抗性图像对不同发现的预测概率变化很大，而