XiaoMi-AI文件搜索系统
World File Search System过程模型
经验回避过程模型：...
体验式回避是指个人表现出不愿与某些个人经历（包括身体感觉，情感，思想，记忆和行为倾向）的现象。他们采用认知和情感来避免这些经历。广泛的研究将经验避免与各种精神疾病，行为障碍和创伤后应激障碍联系起来。现有文献强调了理解体验式避免作为心理症状发展和维持的中心机制的重要性，但需要进一步研究以充分理解其维度和机制。因此，本文旨在对当前理论和经验避免的经验证据进行全面审查，同时阐明其与心理病理学的联系。我们根据对先前的情绪调节模型进行了广泛的审查和批判性分析，提出了一种经验回避过程的模型，该模型在情绪调节过程中通过经验避免在情绪调节过程中整合了表达性抑制和认知重新评估。这个建议的模型旨在通过为未来的研究提供宝贵的见解来解释体验避免的形成和维护方面。我们还研究了体验避免与各种精神疾病之间的关联，包括焦虑，抑郁，强迫症 - 螺栓障碍和创伤后应激障碍。详细说明这些机制为未来的研究工作和临床干预提供了路线图。
扩展并行过程模型对自我...
背景：今天，个人倾向于在许多领域使用天然产品而不是合成添加剂。榛子树产生许多副产品和水果。坚果及其副产品富含生物活性化合物。目标：本研究研究了从榛子及其废物产品中获得的水和乙醇提取物的生物学活性，以确定其在化妆品行业中的潜在用途。方法：在这项实验研究中，将椎间盘差异测试，最低抑制浓度（MIC），最小杀菌浓度（MBC）或最低杀真菌浓度（MFC）应用于提取物的抗微生物潜力。在体外确定提取物和商用奶油 +提取物混合物的太阳保护因子（SPF）。此外，开发了来自人牛奶的抗菌乳霜配方和发酵酸酯的MA-7益生菌候选乳酸细菌的抗菌乳霜配方，为制药行业开发了从人乳中的乳酸细菌，以防止感染。对测试微生物进行了良好的分解测试，以评估抗菌活性。结果：榛子壳甲醇提取物的直径最高（19.41 mm）对Yersinia ruckeri。提取物的麦克风，MBC或MFC范围从1.25至> 40 µ g/ µL。提取物的SPF值（范围：6.85-27.64）和商用奶油 +提取物（范围：11.92-26.28）在体外确定其潜在用途。含有榛子提取物和益生菌的奶油群对测试的微生物表现出很高的抗菌作用。统计分析的结果表明，与其他测试组相比，奶油 +提取物 +益生菌 +益生菌上清液组在统计学上是显着的（p <0.05）。结论：结果表明，榛子及其副产品有可能用作自然抗菌剂来源。榛子及其副产品可以替代化妆品工业中合成的抗微生物和防晒霜作为天然生物活性物质。此外，它可能通过评估榛子及其在化妆品行业的加工而产生的榛子及其废物和副产品来促进该国的经济。
以人为本的可解释人工智能过程模型
引言人工智能 (AI) 的发展已展现出令人瞩目的性能，特别是在图像处理或游戏等明确定义的领域。然而，所部署的技术对于人类用户来说可能是不透明的，这引发了一个问题：人工智能系统如何提供解释 (Neerincx 等人，2018 年；Rosenfeld 和 Richardson，2019 年)，并且监管框架对可解释人工智能 (XAI) 的需求日益增长。话虽如此，2017 年，谷歌的研究主管 Peter Norvig 指出，在人类可能不擅长提供“解释”的情况下期望计算机提供“解释”是具有讽刺意味的。可解释人工智能 (XAI) 的大部分工作都严重依赖于以计算机为中心的视角 (Springer，2019 年)。例如，Holzinger 等人 (2020) 假设人类和人工智能系统可以平等地访问“基本事实”。由此可见，可解释性“……突出了机器表示中与决策相关的部分……，即有助于模型在训练中的准确性或特定预测的部分。”与许多 XAI 文献一样，这并没有为人类提供任何角色，只能作为被动接受者。这意味着人工智能系统能够反省自己的过程来生成解释。然后将得到的解释呈现给用户，并描述人工智能系统的流程或它使用过的特征（“决策相关部分”）。这样，解释就只是一个建议（来自人工智能系统）加上与此相关的特征。正如 Miller (2017) 所指出的那样，这种态度的一个问题在于，它是基于设计师对什么是“好的”解释的直觉，而不是基于对人类如何响应和利用解释的合理理解。这并不能说明为什么选择某些特征，也不能说明为什么建议适合用户的关注点。它也没有将解释置于更广泛的组织中；分析师的解释可能与数据收集管理人员或接受分析师简报的经理的解释不同。对于 Holzinger 等人 (2020) 来说，情况的各个方面（定义为基本事实）被组合成一个陈述；也就是说，解释只是这个陈述的一种表达。这意味着从特征到解释存在线性插值。这类似于 Hempel 和 Oppenheim (1948) 的“覆盖定律模型”，该模型关注的是历史学家如何根据先前的原因来解释事件。然而，“基本事实”（由 Holzinger 的过程模型和覆盖定律模型假设）很少得到完全定义（导致在选择相关特征时产生歧义）。这意味着，仅仅陈述情况方面而不说明为什么选择这些方面（而不是其他方面）可能不会产生有用或可用的解释。霍夫曼等人（2018）对与解释相关的文献进行了全面的回顾。从这篇评论来看，解释涉及人类的理解（将人工智能系统的输出置于特定情境中），我们同意，考虑这一点的适当框架是数据框架的理解模型（Klein 等人，2007）。此外，理解（及其与解释的关系）依赖于认识到过程（提供和接收解释）必须是相互的、迭代的和协商的。这个过程依赖于“解释者”和“被解释者”达成一致。换句话说，解释涉及“共同点”（Clark，1991），其中理解上有足够的一致性以使对话继续进行。对话的性质将取决于提供解释的情况和被解释者的目标。例如，被解释者可能是“受训者”，他试图理解解释以学习决策标准，也可能是“分析师”，使用人工智能系统的建议作为政策。
PAISE® – 人工智能系统工程的过程模型
由于过去几十年计算能力的进步和数据可用性的提高，数据驱动方法的使用在许多工业领域受到青睐和扩展。因此，机器学习 (ML) 算法作为人工智能 (AI) 的一个子集正在走向实用前沿。ML 算法通过分析所谓的训练数据并识别模式和相关性来为给定用例编写软件。因此，所创建软件的功能很大程度上取决于训练数据。在德国和欧洲，人们普遍认识到，找到一种系统方法来开发利用新型人工智能和机器学习方法的智能系统非常重要——在工业发展方面（例如，在 VDA 旗舰计划的“AI 家族”项目中）、在标准化方面（例如，在 DIN 和 DKE [1] 的 AI 标准化路线图中），以及欧盟委员会等机构。除了 AI 的巨大潜力之外，欧盟委员会还认为需要制定《欧盟 AI 法案》[5] 中所述的法规。法律基础应保护市场和公共部门以及人民的安全和基本权利。在欧洲创建值得信赖的 AI 应用程序这一目标需要高水平的系统和跨学科方法。经典程序模型假设系统可测试，因此仅与使用 ML 方法有条件兼容。目前，应用 ML 方法的系统只能通过经验方法进行测试，无论 ML 是否内置于最终系统本身，或者 ML 方法是否用于推导最终产品的设计规范。在这两种情况下，基于 ML 的复杂方法的结果都会以关键的方式影响最终产品的功能。因此，有必要能够将这种影响追溯到所使用的基于 ML 的方法的原理和底层数据。
迈向共同创造 AI 体验的过程模型
允许免费复制本作品的全部或部分以供个人或课堂使用，但不得出于营利或商业目的而复制或分发，且副本首页必须注明此声明和完整引文。必须尊重 ACM 以外的人拥有的本作品组成部分的版权。允许摘要并注明出处。以其他方式复制、重新发布、发布到服务器或重新分发到列表，需要事先获得特定许可和/或支付费用。向 permissions@acm.org 请求许可。
陆地生态系统生产：基于全球卫星和地面数据的过程模型
摘要。本文提出了一种建模方法，旨在季节性地解决全球气候和土壤对陆地生态系统生产和土壤微生物呼吸模式的控制。我们使用卫星图像（高级甚高分辨率辐射计和国际卫星云气候学项目太阳辐射），以及来自全球（1 o）数据集的历史气候（每月温度和降水量）和土壤属性（质地、C 和 N 含量）作为模型输入。卡内基-艾姆斯-斯坦福方法 (CASA) 生物圈模型按月运行，以模拟植物净碳固定、生物量和养分分配、凋落物、土壤氮矿化和微生物 CO2 生成的季节性模式。模型估计的全球陆地净初级生产力为 48 Pg C yr -•，最大光利用效率为 0.39 g C MJ -• PAR。超过 70% 的陆地净产量来自
关键性分析过程模型：确定系统和组件的优先级
在现代社会中，复杂系统和系统的系统是社会和企业运作不可或缺的一部分，因此，了解和管理这些系统和组件可能给它们所支持的任务带来的风险变得越来越重要。然而，在资源有限的世界里，不可能对所有资产实施同等的保护。本出版物描述了一个全面的关键性分析过程模型 - 一种结构化方法，根据程序、系统和组件对组织目标的重要性以及它们的运行不充分或丢失可能对这些目标造成的影响，对程序、系统和组件进行优先排序。关键性分析可以帮助组织确定和更好地了解对其运营和运营环境最为重要的系统、子系统、组件和子组件。这种理解有助于更好地做出与组织信息资产管理相关的决策，包括信息安全和隐私风险管理、项目管理、采购、维护和升级决策。该模型的结构在逻辑上遵循组织如何设计和实施项目和系统，可以作为考虑所有风险的整体综合风险管理方法的组成部分，并可以与各种风险管理标准和指南一起使用。
临界性分析过程模型：优先考虑系统和组件
在现代社会中，复杂系统和系统的系统是社会和企业运作不可或缺的一部分，因此，了解和管理这些系统和组件可能给它们所支持的任务带来的风险变得越来越重要。然而，在资源有限的世界里，不可能对所有资产实施同等的保护。本出版物描述了一个全面的关键性分析过程模型 - 一种结构化方法，根据程序、系统和组件对组织目标的重要性以及它们的运行不充分或丢失可能对这些目标造成的影响，对程序、系统和组件进行优先排序。关键性分析可以帮助组织识别和更好地了解对其运营和运营环境最为重要的系统、子系统、组件和子组件。这种理解有助于更好地做出与组织信息资产管理相关的决策，包括信息安全和隐私风险管理、项目管理、采购、维护和升级决策。该模型的结构在逻辑上遵循组织设计和实施项目和系统的方式，可用作考虑所有风险的整体和综合风险管理方法的组成部分，并可与各种风险管理标准和指南一起使用。
电子系统中故障预测的基于自发的时间点过程模型：提高准确性和解释性
现有的用于预测电子设备故障率的模型通常会显示出差异，与实际测量相比，稳定时期的预测值较高，在流失期间的值较低。尽管它们经常用于模拟时间序列过程中的强度函数，但复发性神经网络（RNN）却难以捕获事件序列之间的长距离依赖性。此外，强度函数的固定参数形式可以限制模型的概括。为了解决这些缺点，提出了一种新颖的方法，利用注意机制在不依赖强度函数的情况下生成时间点过程。为了量化模型和现实分布之间的差异，模型使用Wasserstein距离来创建损失函数。此外，为了提高可解释性和概括性，使用一种自动机制来评估过去事件对当前发生的影响。比较测试表明，这种方法的表现超过了可能的可能性模型，而没有先前了解强度功能和类似RNN的生成模型，从而将相对错误率降低了3.59％，并将错误预测准确性提高了3.91％。
![软件工程 [R18A0511] 讲义](/simg/g:\will\search\icon\source\7\70c0ad928553cdc9b6d86477e8d9ad7027a207f2.webp)
软件工程 [R18A0511] 讲义
学生将能够：1.理解各种软件过程模型。2.了解软件需求和 SRS 文档的类型。3.了解不同的软件设计和架构风格。4.学习软件开发中使用的软件测试方法和指标。5.了解质量控制和风险管理。UNIT - I：软件工程简介：软件角色的演变、软件性质的变化、软件神话。过程的一般视图：软件工程 - 分层技术、过程框架、过程模式、过程评估。过程模型：瀑布模型、增量过程模型、进化过程模型、统一过程、敏捷和敏捷过程模型、极限编程、敏捷开发的其他过程模型和工具