XiaoMi-AI文件搜索系统
World File Search System过程模型
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。
直接金属沉积中基于神经网络的过程模型的迁移学习
增材制造工艺在工业领域越来越重要。特别是直接金属沉积 (DMD) 是一种很有前途的制造技术，因为它可以实现广泛的应用，例如从头开始制造零件、在传统加工的原始零件上添加材料，甚至高效修复高价值零件 [1]。除了许多优点外，该工艺的可控性仍然很困难，导致内部缺陷、几何偏差或微观结构不均匀。相变、粉末-气体动力学和参数不确定性等多种物理现象会影响工艺行为并使工艺处理复杂化。因此，需要进行大量的实验活动来确定具有可接受几何和材料性能的工艺参数
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
ABO血液组和RH因子与伊朗萨拉万人群中牙周疾病患病率的关联 柔性适体基于核仁素靶向癌症治疗方式：关注免疫疗法，放疗和光疗 比较PTSD和抑郁症的动物模型中海马蛋白质和TFEB蛋白水平 人工智能在医学教育中的整合 胶质母细胞瘤闯入；尝试新的东西 简要审查了基于纳米的药物输送系统的优势 砷对糖尿病患病率的影响 一项关于细菌病原体患病率和易感模式的回顾性横断面研究，在伊朗德黑兰的一家教学医院引起尿路感染 扩展并行过程模型对自我... 的影响 榛子及其废物产品 并发症和治疗早期2型糖尿病 使用混淆矩阵和Matthews相关系数评估机器学习在预测住院的Covid-19患者死亡率中的应用 Chrysin与阿霉素的组合作用，5- ... 维生素C 苏丹患者的细胞因子特征在卡萨拉州，苏丹东部 姜黄素作为天然治疗剂 肠道微生物组产生的TMAO的潜在作用
这项描述性分析横断面研究于2022年在萨拉万（Saravan）和伊朗萨拉万（Saravan）的血液输血组织进行。通过功率分析确定了368名参与者的样本量，以检测ABO血型和RH系统之间牙周疾病患病率的统计学上显着差异。假设中等效应大小（Cohen的W = 0.3），α水平为0.05，功率为80％，所需的样本量的计算约为320。为了说明潜在的数据丢失并确保足够的亚组表示，特别是对于RH阴性组，最终样本量增加到368名参与者。此调整确保了足够的能力来比较牙周疾病患病率
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％。
基线和基于过程模型的多模型集合提高了近期湖泊预测的预测技能
湖泊和水库中的抽象水温预测是在不断变化且更可变化的气候下管理重要的淡水资源的宝贵工具，但是以前的努力尚未确定最佳的建模方法。在这里，我们演示了第一个多模型集合（MME）储层水温预测，这是一种预测方法，将单个模型强度结合在单个预测框架中。我们开发了两个MME：一个基于过程的MME和一个五模型MME，其中包括基于过程的和经验模型，以预测温带饮用水库的水温谱。我们发现，相对于单个模型和基于过程的MME，五模型MME的预测性能提高了8％–30％，并使用汇总的概率技能得分进行了量化。尽管预测不确定性增加了，但性能的这种提高是由于五模型MME的预测偏差的大大改善所致。基于过程的模型之间的高相关性导致基于过程的MME相对于基于个体的基于过程的模型，预测性能几乎没有改善。MMES的效用由两个结果强调：（a）在每个深度和地平线（将来的日子）中，任何单独的模型都没有表现最佳，并且（b）MMES避免了表现不佳，因为很少能为任何单个预测期（随着时间的时间<6％）的预测周期产生最差的预测）。这项工作提供了一个示例，说明了如何合并现有模型以改善湖泊和储层中的水温预测，并讨论了在操作预测中利用MME而非单个模型的价值。
在计算机/单元内控制器中设计混合动力，以鲁棒为与动态调节酶过表达相关的过程模型不匹配
模型预测与实际过程之间的差异，称为过程 - 模型不匹配18（PMM）仍然是生物过程优化的严重挑战。以前，我们提出了19个硅/电池内控制器（HISICC）概念的混合动力，将基于模型的优化与基于细胞的20反馈相结合，以解决PMM问题。在此，采用了这种方法来调节细胞内21浓度限制酶。使用工程化的22大肠杆菌菌株（FA3）证明了高级HISICC（FA3）。该菌株具有一个内部反馈控制器，23，它响应感测到该酶形成的24个丙6Lonyl-COA浓度，从而减速了乙酰辅酶A羧化酶（ACC）过表达。FA3的数学模型构建了25，并使用实验数据进行了验证。假设各种PMM的模拟显示，使用FA3的HISICC 26可以通过鲁棒制动其27的过表达来有效地减轻过度ACC的毒性，从而最大程度地减少了产量损失。这项研究证实了HISICC是提高28种生物处理效率的可行策略，尤其是在平衡瓶颈酶水平方面。29
基线和基于过程模型的多模型集合提高了近期湖泊预测的预测技能
湖泊和水库中的抽象水温预测是在不断变化且更可变化的气候下管理重要的淡水资源的宝贵工具，但是以前的努力尚未确定最佳的建模方法。在这里，我们演示了第一个多模型集合（MME）储层水温预测，这是一种预测方法，将单个模型强度结合在单个预测框架中。我们开发了两个MME：一个基于过程的MME和一个五模型MME，其中包括基于过程的和经验模型，以预测温带饮用水库的水温谱。我们发现，相对于单个模型和基于过程的MME，五模型MME的预测性能提高了8％–30％，并使用汇总的概率技能得分进行了量化。尽管预测不确定性增加了，但性能的这种提高是由于五模型MME的预测偏差的大大改善所致。基于过程的模型之间的高相关性导致基于过程的MME相对于基于个体的基于过程的模型，预测性能几乎没有改善。MMES的效用由两个结果强调：（a）在每个深度和地平线（将来的日子）中，任何单独的模型都没有表现最佳，并且（b）MMES避免了表现不佳，因为很少能为任何单个预测期（随着时间的时间<6％）的预测周期产生最差的预测）。这项工作提供了一个示例，说明了如何合并现有模型以改善湖泊和储层中的水温预测，并讨论了在操作预测中利用MME而非单个模型的价值。
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。