XiaoMi-AI文件搜索系统
World File Search System解释能力
应用机器学习算法预测非正规经济的规模
近来，使用机器学习模型和技术预测经济变量的情况越来越多，其动机是它们比线性模型具有更好的性能。尽管线性模型具有相当大的解释能力的优势，但近年来，人们加大了努力，使机器学习模型更具解释性。本文进行了测试，以确定基于机器学习算法的模型在预测非正规经济规模方面是否比线性模型具有更好的性能。本文还探讨了机器学习模型检测到的最重要的这种规模的决定因素是否与文献中基于传统线性模型检测到的因素相同。为此，从 2004 年到 2014 年，收集并处理了 122 个国家的观测数据。接下来，使用 11 个模型（四个线性模型和七个基于机器学习算法的模型）来预测这些国家非正规经济的规模。使用 Shapley 值计算了预测变量在确定机器学习算法产生的结果中的相对重要性。结果表明：(i)基于机器学习算法的模型比线性模型具有更好的预测性能；(ii)通过 Shapley 值检测到的主要决定因素与文献中使用传统线性模型检测到的主要决定因素一致。
评估衰老诱导的电压滑动是锂离子细胞浮动电流的原因
摘要：本文对锂离子电池中的浮点电流分析进行了全面的探索，这是一种有希望的新测试方法来评估日历老化。浮点电流定义为瞬态部分后的稳态trick流动电流。在文献中，报告了与容量损失的相关性。假设浮点电流会补偿随着时间的推移的电压衰减，并且与日历老化有关，则必须考虑电压滑动的效果。DU/DQ分析仅表明活跃锂的损失。因此，我们研究了固体电解质相（SEI）的生长，作为解释浮点电流起源的一般老化机制。我们的结果表明，电压滑理论在低至中间测试电压范围内保持真实。然而，该理论的解释能力开始在更高的电压范围内减少，这表明存在影响浮动电流的其他但未知的因素。通过电解质分解对阴极的穿梭反应或晶石是高压下最有前途的替代老化机制。本文提出了一个独特的电压滑模型，以检查老化机制，浮点电流测试和检查测试之间的相关性。为了更好地理解，提出了测试策略来验证/伪造SEI以外的老化机制。
旅游业变量对沙特阿拉伯王国经济增长的影响
摘要：本研究研究了旅游部门变量对2010年至2020年沙特阿拉伯王国经济增长的影响。采用描述性理论框架和一种分析方法，该研究采用Garch模型来评估旅游业收入，一般收入和对旅游业对经济增长的影响。通过诊断测试，研究结果表明了显着的相关性：首先，旅游业收入与经济增长之间存在积极的关系；其次，一般收入与经济增长之间观察到正相关。第三，在旅游业的投资与经济增长之间存在正相关。此外，该研究强调了旅游业变量在经济增长中的解释能力以及通过沙特阿拉伯旅游业变量预测经济增长的估计模型的预测准确性。因此，这些结果为沙特阿拉伯旅游业内的分析，政策评估和经济决策提供了宝贵的见解。该研究提供了建议，包括对内部和外部旅游环境进行全面分析，以确定优势，劣势，机会和威胁；关注旅游服务的质量，以反映沙特阿拉伯的文化和人道主义价值观；并加强与支持旅游活动（例如运输，医疗保健，教育服务和边境控制机构）的机构的合作。关键词：经济增长，旅游收入，公共收入，对旅游业的投资。
向前前进算法的新型显着分析
摘要 - 将前进算法纳入神经网络训练中代表了从传统方法的变革转变，引入了一种双向机制，该机制通过绕过派生式传播的复杂性来简化学习过程。此方法以其简单性和效率而闻名，并涉及执行两个正向通行证 - 第一个具有实际数据以促进积极的强化，第二个具有合成产生的负数据以实现不犯罪性学习。我们的实验证实，前进算法不仅是实验新颖性，而且是一种可行的训练策略，它与常规的多层感知器（MLP）架构竞争。为了克服传统显着性技术固有的局限性，主要依赖于基于梯度的方法，我们开发了一种专门针对前向前框架的定制显着算法。这种创新算法增强了对特征重要性和网络决策的直观理解，从而清楚地可视化数据中最大程度地影响模型预测。通过利用这种规定的显着性方法，我们可以更深入地了解该模型的内部运作，从而显着增强了我们的解释能力，而不是标准方法提供的能力。使用MNIST和时尚MNIST数据集，我们的评估表明我们的方法与传统的基于MLP的模型相当。索引术语 - 前向算法，显着性，MLP
分层图表示学习用于预测药物-靶标结合亲和力
由于与二元相互作用预测相比，药物-靶标结合亲和力 (DTA) 的识别具有更具体的解释能力，因此在药物发现过程中引起了越来越多的关注。最近，由于其令人满意的性能，许多基于深度学习的计算方法来预测药物和靶标之间的结合亲和力。然而，之前的工作主要集中于编码药物和靶标的生物学特征和化学结构，缺乏从药物-靶标亲和力网络中挖掘必要的拓扑信息。在本文中，我们提出了一种用于药物-靶标结合亲和力预测的新型分层图表示学习模型，即 HGRL-DTA。我们模型的主要贡献是建立一个分层图学习架构，以结合药物/靶标分子的固有属性和药物-靶标对的拓扑亲和力。在这个架构中，我们采用了一种消息广播机制来整合从全局级亲和图和局部级分子图中学习到的层次化表示。此外，我们设计了一个基于相似性的嵌入图来解决推断未见药物和靶标表示的冷启动问题。不同场景下的综合实验结果表明，HGRL-DTA 明显优于最先进的模型，并且在所有场景中都表现出更好的模型泛化能力。
BCSE 2024 毕业生表现报告
1. 初步考试（PE） 初步考试（PE）是选拔过程的第一阶段，目的是筛选主要考试（ME）的候选人，以确保候选人达到最低标准，从而规范毕业生进入公务员队伍。PE 试卷适用于所有类别的毕业生。PE 包括 100 个客观题，满分 100 分，旨在测试考生的宗卡语和英语沟通能力、逻辑和分析能力、解决问题、数据解释能力以及时事和一般意识。考试时间为 150 分钟。PE 消除了科目难度、评估方案、教育标准和质量的差异和变化，为毕业生竞争 ME 提供了公平的竞争环境。它确保毕业生达到公务员招聘所需的最低核心能力标准。BCSE 2024 的初步考试于 2024 年 8 月 3 日在廷布和蒙加尔举行。共有 9 所廷布 Thromde 学校和 1 所 Mongar 学校被用作考试中心，可容纳 4099 名毕业生。在 4841 名注册参加 BCSE 2024 初步考试的毕业生中，有 742 人在 PE 期间缺席。共有 541 名毕业生（358 名 B.Ed、33 名 MBBS 和 150 名护理）免于参加初步考试，他们只参加了主要考试 (ME)。BCSE 2024 初步考试的录取分数线设定为 50%，2686 名毕业生通过了主要考试。
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。
通过敏感性分析解读人工智能交易员的投资决策算法
随着金融科技的进步，金融机构现在广泛应用于其运营中的人工智能（AI），例如贷款决策、保险支付评估和欺诈交易检测。在资产管理领域，该技术正被用于在市场预测和投资策略中发现当前信息与未来资产价格之间存在的复杂关系，并取得了一些优异的效果。 另一方面，包括深度学习模型在内的人工智能内部的处理过程非常复杂，有人指出，存在所谓的“黑盒”问题，即不容易解释人工智能决策背后的因果关系。在资产管理领域，由于对高投资回报的期待，对能够做出超出人类理解的投资决策的人工智能的需求将不断增加。如果这导致无法由人类验证其有效性的交易增加，未来可能会出现意想不到的风险，影响金融机构的财务健全性和市场的稳定。 近年来，为了缓解人工智能的黑箱性质，人们进行了大量研究，主要在图像识别领域，以解释人工智能内部的处理过程。 在资产管理领域，人们对AI的可解释性的兴趣日益高涨，例如，Shiono（2018）通过将AI模型与理论宏观经济模型相结合，构建了一个回报预测AI，在预测准确性和可解释性之间取得了良好的平衡。 在本研究中，我们构建一个对未来日经225期货收益具有解释能力（以下称预测精度）的AI交易员，并尝试通过敏感性分析表达其输入变量（市场数据）和输出值（投资决策）之间的关系，从而解释AI的内部处理过程。
从用户角度解释人工智能 (XAI)：先前文献的综合和未来研究的问题化途径
基于人工智能 (AI) 的系统的快速增长和使用引发了对解释能力的担忧。最近的研究讨论了对可解释人工智能 (XAI) 的新兴需求；然而，从最终用户的角度对可解释人工智能进行系统回顾可以全面了解当前情况并有助于缩小研究差距。本研究的目的是从最终用户的角度对可解释人工智能进行系统的文献综述并综合研究结果。确切地说，目标是 1) 确定最终用户解释需求的维度；2) 研究解释对最终用户感知的影响，3) 确定研究差距并提出 XAI 的未来研究议程，特别是从基于当前知识的最终用户的角度来看。系统文献综述 (SLR) 的最终搜索查询是在 2022 年 7 月进行的。最初，我们从 Scopus 和 Web of Science 数据库中提取了 1707 篇期刊和会议文章。然后应用纳入和排除标准，并为 SLR 选择了 58 篇文章。研究结果显示，塑造 AI 解释的四个维度是格式（解释表示格式）、完整性（解释应包含所有必需信息，包括补充信息）、准确性（有关解释准确性的信息）和时效性（解释应包含最新信息）。此外，除了解释的自动表示外，用户还可以根据需要请求其他信息。我们还描述了 XAI 效果的五个维度：信任、透明度、可理解性、可用性和公平性。我们调查了选定文章中的当前知识，以将未来的研究议程作为研究问题以及可能的研究路径进行问题化。因此，我们开发了一个关于 XAI 及其对用户行为的可能影响的综合框架。
预测 IRT 难度的解释力
等式 1 的群体性质在 AI 的许多领域都很方便，因为我们在选择要部署的系统之前通常会应用各种技术。所有这些被丢弃的次优系统都可以重新用于计算难度，正如我们将在本文中看到的那样。然而，使用系统群体也会带来一些风险。例如，如果群体包含一个不符合要求的系统（在简单实例上失败，在一些困难实例上成功），则可能导致非常不稳定的难度指标。如果我们只是计算一组系统对每个实例的平均误差作为难度的代理，可能会发生这种情况（Mart´ınez-Plumed 等人，2019 年）。几十年前提出了一种解决这个问题的方法，称为项目反应理论 (IRT)，其中难度是从项目（实例）和受访者（系统）矩阵中推断出来的，这使得符合要求的系统更具相关性。此外，IRT 给出了一个遵循正态分布的难度缩放指标，可以直接与系统的能力进行比较。然而，IRT 和其他难度指标都是从之前的性能结果中得出的，但不依赖于实例空间，因此我们无法预测新实例的难度。我们为这个重要问题提出了一个相对简单的解决方案：以问题特征作为输入、以难度作为输出来训练回归模型。本文涵盖了人工智能中的一系列问题，推导了它们的 IRT 难度，并为每个领域训练了一个回归模型——难度估算器，我们对其进行了系统性的评估。对于许多领域，根据 RMSE 和 Spearman 相关性，对 IRT 难度的估计非常好。我们在一系列应用上说明了这些难度模型的解释能力：