XiaoMi-AI文件搜索系统
World File Search System错误行为
马德拉斯高等法院就 M/s Aditya Energy Holdings 诉 GST 情报总局 DGGI 一案进行裁定
被告在请愿人的处所开展了检查程序，并根据 GST 法案强迫请愿人支付款项。 在压力之下，请愿人支付了 17,27,790 卢比和 12,60,472 卢比。 因此，请愿人对此感到不满，已向本高等法院上诉，请求被告退还 17,27,790 卢比和 12,60,472 卢比，这笔款项是被告官员访问请愿人的处所并调查所谓的错误利用进项税抵免期间请愿人支付的。上诉人/上诉人的简短辩论 被告人的简短辩论 - 被告的资深常任律师认为，该诉讼请求没有任何依据，由于错误地申请了进项税抵免，上诉人在承认错误行为后支付了上述金额。
入境权协议 - HIGP
1.受让人应根据《夏威夷修订法规》第 661 章（州政府诉讼和针对州政府的诉讼）和第 662 章（州政府侵权责任法）的适用规定，以与私人在类似情况下相同的方式和程度承担责任，对于因州政府官员和雇员在其职务或工作范围内行事时，或以官方身份临时代表州政府机构行事的人员的疏忽或错误行为或不作为而导致地役权区域财产损坏、损失、人身伤害或死亡的所有索赔和要求，无论有无报酬，均应承担责任。“州政府机构”包括州政府的行政部门、委员会和委员会，但不包括与州政府的任何承包商。
与军事应用有关的国家责任……
摘要本文探讨了国家在违反涉及人工智能技术（AI）技术的国际法方面可能承担责任的条件和方式。虽然如何归因和分配错误行为的责任的问题是AI的核心当代挑战之一，但根据国际法，国家责任的观点仍然相对毫无疑问。此外，大多数学术和政策辩论都集中在自动武器系统（AWS）提出的问题上，而没有对AI在军事领域中其他潜在应用提出的问题非常关注。本文对与军事AI有关的国家责任进行了全面分析。它讨论了国家对AI支持的军事技术的不法使用的责任，以及在部署之前的行为归因以及国家责任的问题，即未能确保在发展或收购阶段将AI系统遵守AI系统具有国际法。此外，这可能是针对其他州或私人参与者的行为而产生的。
通过设计实现人工智能伦理的参与式数据中心方法
摘要 基于机器学习技术 (ML) 的数据驱动人工智能 (AI) 已日益成为关键社会领域的推动者。然而，ML 系统的引入往往伴随着不合理、有偏见和歧视的结果，对受影响的个人造成严重后果。因此，近年来，基于价值的设计方法试图通过引起人们对与 AI 系统设计相关的伦理和认知挑战的关注来预测和减轻道德错误行为。本文通过促进和完善价值敏感设计方法系列贡献的见解，提出了一种以数据为中心的参与式 AI 伦理设计方法。该方法为解决 ML 开发项目早期阶段与数据活动相关的认知和伦理问题提供了可行的前景。因此，本文旨在通过强调搭建桥梁的必要性来增强系统开发人员和领域专家对给定数据领域及其与特定实践的相关性的共同理解，从而增加符合道德规范的人工智能设计的机会。
医疗工作场所的法律、道德和安全问题
医疗保健行业是美国监管最严格的行业之一。提供、接受、支付和监管医疗保健服务的人都受到法律的影响 (Miller, 2006a)。法律是个人和组织行为的一套规则。法律的制定是为了满足个人和组织最低限度的行动标准。存在由联邦、州和地方政府制定的法律。当司法系统解释与案件有关的先前法律判决时，它们会制定普通法 (Buchbinder & Shanks, 2007)。行动的最低标准是联邦法律，尽管州法律可能更严格。立法机关制定的法律称为法规。普通法和成文法随后由行政机构通过制定解释法律的规则和条例进行解释。存在影响医疗保健行业的民法和刑法。民法关注基于合同违约而对个人和组织的错误行为。在民法中，侵权行为源自法语单词“错误”，是一类错误行为或疏忽，可能导致不同类型的医疗保健违规行为。要证明民事违法行为，您不需要像刑事案件那样多的证据。刑法关注基于法院判决的非法行为。要判定某人犯有刑事犯罪，必须在没有合理怀疑的情况下证明其有罪。刑事违法行为的例子包括医疗保险和医疗补助欺诈 (Miller, 2006b)。如前所述，侵权行为是发生在个人或组织身上的不法行为，无论是否签订了合同。医疗事故案件就是侵权行为的例子。有几种不同类型的违法行为可能适用于医疗保健。有两种基本的医疗保健侵权行为： (1) 疏忽，涉及无意的行为或不作为，可能对患者的健康产生负面影响，以及 (2) 故意侵权行为，例如人身攻击和侵犯隐私 (Buchbinder & Shanks, 2007)。疏忽的一个例子是，如果提供者没有提供适当的护理或拒绝提供护理，导致患者的健康受到损害。在医疗保健行业，故意侵权行为（例如殴打和殴打）是指外科医生未经患者同意对患者进行手术（Miller，2006c）。更多信息侵犯隐私的一个例子是侵犯患者的健康记录。与患者信息相关的隐私是医疗保健行业的一个主要问题。
带有 EEG 可穿戴耳机的人机交互
内在人在环强化学习 (HITL-RL) 是一种通过使用可穿戴脑电图 (EEG) 耳机捕捉脑电波来隐式获取人类反馈的方法。它可以显著加速 RL 算法的训练收敛，同时减轻参与训练循环的人类的负担。虽然人类自然会观察 RL 代理的表现，但代理的任何错误行为都可以通过 EEG 信号中的误差电位 1 (ErrP) 识别。然后可以将此信息合并到 RL 算法的奖励函数中以加速其学习。因此，误差电位的检测精度会显著影响 RL 算法的收敛时间。这项工作的重点是使用仅使用现成的 EEG 可穿戴设备检测到的用户脑电波来可靠地检测误差电位。我们首先提出一种新的误差电位解码算法，该算法利用 EEG 信号的空间、时间和频域特性。我们开发了三个类似 Atari 的游戏环境，并招募了 25 名志愿者进行评估。所提出的算法实现了 73.71% 的准确率（比目前最先进的算法提高了 8.11%）。然后我们展示了一种智能丢弃低置信度估计的改进算法能够将准确率提高到 79.51%（提高了 16.63%）。
量子程序调试框架
摘要 — 量子计算软件的最新进展正在逐步扩大正在开发的量子程序的范围和规模。但与此同时，这些较大的程序也为更难检测和解决的功能错误提供了更多的可能性。同时，可以帮助开发人员解决这些错误的调试工具仍然几乎不存在，与我们在传统设计自动化和软件工程中认为理所当然的东西相去甚远。因此，即使人们设法识别开发的量子程序的错误行为，检测和解决程序中的潜在错误仍然是一项耗时且繁琐的任务。此外，量子程序中状态空间的指数增长使得即使对于简单的算法，对错误的有效手动调查也变得极其困难，而随着量子比特数量的增加，这几乎是不可能的。为了解决这个问题，这项工作提出了一个调试框架，可在 https://github.com/cda-tum/mqt-debugger 上作为开源实现获得。它可以帮助开发人员调试量子程序中的错误，使他们能够有效地识别错误的存在并诊断其原因。用户可以在代码中放置断言，以测试给定算法的正确性，并使用底层量子程序的经典模拟进行评估。一旦断言失败，所提出的框架将采用不同的诊断方法来指出可能的错误原因。这样，量子程序的调试工作量就大大减少了。
呼吁在项目赠款中授予研究奖学金和R＆D
参考。 1298.6 – 1 BI ED ou CNCG HARIA 1 Research Fellowship(s) (BI) is (are) open at the FCiências.ID – Associação para a Investigação e Desenvolvimento de Ciências , for the Project “HARIA - Human-robot sensorimotor augmentation - wearable sensorimotor interfacesand supernumerary robotic limbs for Horizon-CL4-2021-Digital- Emerging-01_101070292，在Horizon Europe范围内由欧盟资助 - 研究与创新的社区框架计划，在以下条件下：1。>参考。1298.6 – 1 BI ED ou CNCG HARIA 1 Research Fellowship(s) (BI) is (are) open at the FCiências.ID – Associação para a Investigação e Desenvolvimento de Ciências , for the Project “HARIA - Human-robot sensorimotor augmentation - wearable sensorimotor interfacesand supernumerary robotic limbs for Horizon-CL4-2021-Digital- Emerging-01_101070292，在Horizon Europe范围内由欧盟资助 - 研究与创新的社区框架计划，在以下条件下：1。科学领域：计算机视觉；深度学习；机器人2。入学要求：计算机科学和工程，人工智能或相关领域的硕士学位。3。其他可选技巧和资格：关于机器人技术，计算机视觉或深度学习的研究经验。4。合同要求：介绍学历和/或文凭。在高等教育机构与一个或多个研究单位之间建立的信息学或合作开发的信息学或非学位课程的。 5。 工作计划：开发和评估一个系统，用于检测和纠正涉及人与机器人系统相互作用的任务期间的错误行为。 6。 立法框架：研究奖学金持有人法规，根据8月18日的40/2004法律，其当前版本和研究学生资格和奖学金的FCT法规，其当前版本（reg。） 7。 8。 9。。5。工作计划：开发和评估一个系统，用于检测和纠正涉及人与机器人系统相互作用的任务期间的错误行为。6。立法框架：研究奖学金持有人法规，根据8月18日的40/2004法律，其当前版本和研究学生资格和奖学金的FCT法规，其当前版本（reg。7。8。9。950/2019于12月16日在博士发表：https：//dre.pt/application/file/a/127230968，或在fct网站上：https：//wwwwwwwwww.fct.pt.pt.pt/apoios/apoios/bols/bols/bols/bols/bolsas/regalento.phtml.ptml.ptml.ppth-s.p. （可在Regulamento de bolsas deInvestionaçãoCientíficficaDafciências.ID上获得）。工作地点：这项工作将在努诺·加西亚（Nuno Garcia）教授的科学监督下在里斯本大学科学学院Lasige开发。奖学金持续时间：该职位最初开放6个月，并于2025年4月开始。根据科学与技术基金会，I.P和FCIências.ID奖学金监管的研究奖学金的规定，奖学金合同可能会续签直到项目结束。每月津贴：根据FCIências.ID奖学金法规的表格，奖学金为1309,64欧元。奖学金持有人将拥有个人事故保险，并可以通过遵守自愿社会保险计划来确保社会保障权，如果没有其他任何社会保护计划，则根据CódigoDosdos do do do sistema do sistema do sistema providencial desegurança社交。奖学金将通过银行转移每月支付。10。评估和选择过程：候选人将通过评估申请人的简历（70％），动机信（20％），研究经验（10％）来评估候选人。对申请的申请人的最终分类少于70分的评分不符合授予奖学金的资格。
用于检测主动矫形器装置引入的误差的 EEG 和 EMG 数据集
外骨骼和矫形器经常用于促进运动障碍患者的肢体运动，因为它们可以使用脑电图 (EEG) 信号整合镜像疗法等经典治疗方法（Kirchner 等人，2013 年；Kirchner 和 Bütefür，2022 年）。除了触发外骨骼辅助外，EEG 还可用于推断运动意图（Kirchner 和 Bütefür，2022 年），这已被证明对于成功的神经康复至关重要（Noda 等人，2012 年；Hortal 等人，2015 年）。此外，EEG 还可用于推断人类观察或与之交互的机器人行为的主观正确性，正如 Iturrate 等人（2015 年）和 Kim 等人（2017 年、2020 年）在多篇论文中所证明的那样。为了验证辅助设备的正确性，深入了解患者感受到的支持水平非常重要。具体而言，必须评估患者是否感觉到机器人辅助系统所犯的错误。对于某些辅助设备，支持可以通过视觉观察到，并且可以根据从 EEG 信号中检测到的 ErrP 验证和调整主观正确性（Batzianoulis 等人，2020 年）。但是，对于患者佩戴的机器人，例如主动外骨骼或主动矫形器（Kirchner 和 Bütefür，2022 年），患者可能看不到但能感觉到不正确的行为。因此，研究外骨骼或矫形器中不正确行为的触觉检测是否会引发与视觉观察到的行为类似的事件相关电位 (ERP) 是有意义的。这些信息可用于纠正患者感知到的不正确行为[有关此已发布数据集的初步结果以及关于利用不同模式传输错误信息的进一步讨论，请参阅 Kim 和 Kirchner (2023)]。在脑电图研究中，当观察到错误行为（Iturrate 等人，2010 年；Kim 和 Kirchner，2013 年）、收到指示错误事件的反馈（Holroyd 和 Coles，2002 年）或在交互过程中发生错误（Kim 等人，2017 年）时，就会引发所谓的错误相关电位 (ErrP)。Chavarriaga 等人 (2014 年) 对此进行了全面的综述。此外，通过检测 ErrP 从脑电图中推断错误具有挑战性，因为它需要对相关模式进行异步分类（Kim 等人，2023 年）。这种异步分类通常会导致大量假阳性，因为与系统的交互时间较长或任务执行时间延长（Omedes 等人，2015 年；Spler 和 Niethammer，2015 年；Lopes-Dias 等人，2021 年）。在大多数研究中，视觉刺激用于诱发错误相关电位 (ErrPs)（例如，van Schie 等人，2004 年）。虽然一些研究