XiaoMi-AI文件搜索系统
World File Search System透明的
一种用于大脑年龄建模的不确定性感知、可共享、透明的神经网络架构
根据神经影像数据预测的年龄与实际年龄之间的偏差已被确定为跨疾病大脑变化的敏感风险标记，并逐渐成为生物年龄研究的基石。然而，该领域的基础机器学习模型不考虑不确定性，因此会将结果与训练数据密度和变异性混淆。此外，现有模型通常基于同质训练集，通常未经独立验证，并且由于数据保护问题而无法共享。在这里，我们引入了一个不确定性感知、可共享且透明的蒙特卡洛辍学复合分位数回归 (MCCQR) 神经网络，该网络基于来自德国国家队列的 N = 10,691 个数据集进行训练。MCCQR 模型可在高维神经影像数据中提供稳健、无分布的不确定性量化，与现有模型相比，可实现更低的错误率。在两个例子中，我们证明它可以防止虚假关联并提高检测异常大脑衰老的能力。我们公开了预训练模型和代码。
通过微调卤化物隔离来操纵2D混合钙壶中的颜色排放：透明的绿色发射极
在过去的十年中，杂种钙壶被广泛探讨为高性能太阳能电池和发光设备（LED）的有希望的有效材料，如今达到了基于传统半体体导管的先进技术的效率值。[1-4]化学操作时其电子和结构特性的可调性无疑是使该材料家族成为许多不同应用的多功能物体的关键特征之一。尤其是，通过卤化物取代调整材料带隙从一开始就从一开始就有一种强大的策略来获得具有不同颜色和可调发射的混合晶体。[5]这对于Ubiq-uitous ABX 3钙钛矿（或下降中的3D）来说是正确的，但它也扩展到较低维度的系统。[5,6]例如，可以形成一个位点中的大阳离子，可以形成分层的2D钙钛矿（2DPS），这是一种有趣的操场类别的材料类别，相对于更广泛使用的3D混合植物，具有出色的稳定性。[7]此外，它们的独特光学特性，包括量子和介电限制，RashBA分裂和大型激子结合能，使它们对除光线发光应用（例如旋转型，成像，成像和闪烁体）之外的不同领域具有吸引力。[8–13]
透明的人工智能和机器学习
保修风险状况分析 大多数制造商必须处理与各种产品和组件相关的大量保修索赔。对于消费品制造商来说，索赔量每年很容易达到数百万。确定优先级并了解哪些问题值得优先响应以及检测索赔中的模式以表明需要立即关注的新出现的质量或设计问题至关重要。保修风险状况分析，有时称为质量问题优先级排序，是任何持续质量改进过程的重要组成部分。保修索赔数据一旦经过清理和分类，就是反馈回路中最有价值的部分之一，使公司能够提高其产品的可靠性和客户满意度。
寻找具有类似人类认知和推理能力的可信、透明的智能系统
目前，我们看到人们对人工智能 (AI) 产生了浓厚的兴趣，尤其是对深度学习 (DL)/深度神经网络 (DNN) 的兴趣。原因之一似乎是此类系统所实现的无与伦比的性能。这导致人们对此类技术寄予厚望，这些技术通常被视为万能的解决方案。但大多数此类系统无法解释做出特定决定的原因（黑匣子），有时在其他系统无法解释的情况下会惨遭失败。因此，在医疗保健和国防等关键应用中，从业者不喜欢信任此类系统。尽管 AI 系统通常是从大脑中汲取灵感而设计的，但真正意义上利用大脑线索的尝试并不多。我们认为，要实现具有类似人类推理能力的智能系统，我们需要利用脑科学的知识。在这里，我们讨论了一些可能有助于设计智能系统的脑科学发现。我们解释了透明度、可解释性、从几个例子中学习以及 AI 系统的可信度的相关性。我们还讨论了一些可能有助于在学习系统中实现这些属性的方法。
使用不透明的人工智能实现智能电网 - 隆德大学出版物
SAMMANFATTNING（最多 200 人）：深度学习是一种新兴的机器学习技术，可以在大量数据中找到复杂的模式。这使得它可用于智能电网中的多种应用，这些应用通常涉及处理大量数据。然而，有理由怀疑它的适用性，因为深度学习的黑箱性质可能是一个问题，因为电网是重要的基础设施，包含致命的电流。智能电网的专业人士接受了采访，以了解与机器学习可解释性有关的八个问题的重要性。调查结果显示，对于一些与控制电网相关的用途，信任至关重要，不太可能使用黑箱算法。对于提供建议和预测等其他用途，研究发现，信任或信息量是结果有用的必要条件，尽管信任可以通过强大的记录来实现，而不是通过解释系统的能力。其他问题的重要性各不相同，但都不是关键问题。