XiaoMi-AI文件搜索系统
World File Search System马文
量子计算的基准测试
由 Sophia Helmrich 博士和 Johann Schmidt 博士编辑，数字战略与发展（部），DLR-PT 贡献者 Hossam Ahmed、Mazen Ali、Abhishek Awasthi、Dimitris Badou nas、Valeria Bartsch、Colin Kai-Uwe Becker、Pallavi Bhardwaj、Tim Bittner、Martin Braun、Sebastian Bock、Lukas Burgholzer、邓小龙、克劳迪娅·埃里格、克里斯托夫·艾希哈默、多梅尼克·艾希霍恩、马文·埃尔德曼、克里斯蒂安·埃特勒、弗雷德·菲安德、桑多尔·费克特、泰勒·加诺夫斯基、亚历山大·耿、伊利-丹尼尔·格奥尔基-波普、克里斯蒂安·格罗泽亚、温德林·格罗斯、萨沙·豪克、多米尼克·赫尔德温、帕特里克·霍尔泽、迈克尔·霍尔茨基、路易吉亚皮奇诺、马泰奥·安东尼奥·伊纳耶托维奇、迈克尔·约翰宁、凯特琳·琼斯 / 约翰内斯·荣格 / 马蒂亚斯·卡贝尔 / 菲利普·凯尔登尼奇 / 多米尼克·克鲁普克 / 格奥尔格·克鲁斯 / 索菲亚·拉赫斯 / 珍妮特·米里亚姆·洛伦茨 / 阿西西奥·卡斯塔尼达·梅迪纳 / 阿里·莫吉塞 / 安德烈亚斯·穆勒 / 巴拉德瓦吉·乔达里·穆马内尼 / 菲利克斯·保罗 / 马尼拉曼·佩里亚萨米 / 塞巴斯蒂安·里奇 / 马可·罗斯 / Raja Seggoju、Sebastian Senge、Hendrik Siebeneich、Theeraphot Sriarunothai、Jonas Stein、Rainer Strater、Nikolay Tcholtchev、Matthias Traube、Christian Tutschku、Friedrich Wagner、Mareike Weule、Armin Wolf
自动形态合奏的极性代码解码器6G URLLC
根据作者克劳斯·凯斯特尔（Claus Kestel），马文·盖塞尔哈特（Marvin Geiselhart），卢卡斯·约翰逊（Lucas Johannsen），斯蒂芬·恩·布林克（Stephan Ten Brink）和诺伯特·韦恩（Norbert Wehn）的作者克劳斯·凯斯特尔（Claus Kestel）和诺伯特·韦恩（Norbert Wehn），的题为“ 6G urllc的自动化集合代码解码器”，这是即将到来的6G标准标准的urllc sereario。 实现接近ML的性能是具有挑战性的，尤其是对于短块长度。 极性代码是此应用程序的有前途的候选人。 上述论文讨论了连续的取消列表（SCL）解码算法，该算法提供了良好的误差校正性能，但在高计算解码的复杂性下。 本文引入了自动形态集合解码（AED）方法，该方法在并行执行了几种低复杂性解码。 本文介绍了AED架构，并将其与最先进的SCL解码器进行了比较。 因此，鉴于Kestel等人的理论和实验证明，我们在这里概述了由TLB GmbH管理的PCT应用保护的这项技术发明的位置和背景。的题为“ 6G urllc的自动化集合代码解码器”，这是即将到来的6G标准标准的urllc sereario。实现接近ML的性能是具有挑战性的，尤其是对于短块长度。极性代码是此应用程序的有前途的候选人。上述论文讨论了连续的取消列表（SCL）解码算法，该算法提供了良好的误差校正性能，但在高计算解码的复杂性下。本文引入了自动形态集合解码（AED）方法，该方法在并行执行了几种低复杂性解码。本文介绍了AED架构，并将其与最先进的SCL解码器进行了比较。因此，鉴于Kestel等人的理论和实验证明，我们在这里概述了由TLB GmbH管理的PCT应用保护的这项技术发明的位置和背景。
PandaX-4T 实验中轴矢量和赝标量介导的 WIMP-原子核相互作用的限制
周黄 a 、陈成汉 a 、阿卜杜萨拉姆·阿卜都克里木 a 、子浩博 a 、陈伟 a 、陈迅 a,t 、陈云华 h 、陈成 o 、程兆堪 p 、崔相宜 m 、范英杰 q 、方德清 r 、毛昌波 、付孟廷 g 、耿力生 b,c,d 、卡尔·吉博尼 a 、顾林辉 a 、郭旭源 a 、何昌达 a 、何金荣 h 、黄迪 a 、黄彦林 s 、侯汝泉 t 、吉向东 l 、军永林 、李晨翔 a 、李家福 、李明传 h 、林淑 n 、李帅杰 m 、清林 e,f 、刘江来 a,m,t,1 、陆晓英 j,k 、罗灵隐克,罗云阳 f , 马文波 a , 马尔玉刚 , 毛亚军 g , 孟跃 a,t , 宁旭阳 a , 宁春齐 h , 钱志成 a , 香香任 j,k , Nasir Shaheed j,k , 尚松 h , 尚晓峰 a , 沉国芳 b , 林斯 a , 孙文亮 h , 谭安迪 l , 陶毅 a,t , 安庆王 j,k , 王萌 j,k , 王秋红 r , 王少波 a,1 , 王四光 g , 王伟 o , 王秀丽 n , 王周 a,t,m , 魏月欢 p , 吴萌萌 o , 吴伟豪 a , 夏经凯 a , 肖孟娇 l , 肖翔 o , 谢鹏伟 m , 严彬彬 a,t , 严希宇 s ,杨吉军 a 、杨勇 a 、于春旭 q 、袁居民 j,k 、袁哲 r 、曾新宁 a 、张丹 l 、张敏珍 a 、张鹏 h 、张世波 a 、张舒 o 、张涛 a 、张迎新 j,k 、张媛媛 m 、李赵 a 、郑其斌 s 、周吉芳 h 、宁周 a,t, * ,周小鹏 b , 周勇 h , 周玉波 a
社论：面向金融服务行业的可解释、可信赖且负责任的人工智能
自从约翰·麦卡锡和马文·明斯基在麻省理工学院成立人工智能实验室，首次开展人工智能 (AI) 协调研究以来，已经过去了 60 多年。从那时起，人工智能已经发展成为一种应用广泛的工具，使我们能够从根本上重新思考如何整合、分析和使用数据进行决策。越来越多的研究证明，人工智能可以为金融行业带来诸多优势：提供新的风险管理和合规方法、降低运营成本、提高金融包容性、实现超个性化以及自动化任务，从而提高运营效率。然而，金融服务提供商在日常任务中全面采用基于人工智能的系统的速度很慢，部分原因是大型遗留 IT 环境可能无法适应高级分析。在金融领域更广泛采用人工智能的另一个高度相关的障碍与可解释性概念有关。也就是说，人工智能解决方案通常被称为“黑匣子”，因为通常很难追踪算法得出解决方案所采取的步骤。这种缺乏透明度和可解释性的问题对于政策制定者和监管者来说是一个关键点，他们努力推广和验证部署后稳健且相对稳定的模型。例如，在信用评分方面，监管部门需要确保决策公平公正。此外，GDPR 提供了解释权，使用户能够要求解释影响他们的决策过程。因此，创新技术的采用必须以负责任、值得信赖的方式进行，特别是在影响整体经济的金融领域。除了对可解释性的基本需求之外，金融部门还面临着越来越复杂的对手，他们有能力实施大规模数据泄露、数据篡改和机密信息丢失。这同样需要能够处理噪音并在对抗性数据破坏的情况下持续存在的稳健而稳定的方法。在此背景下，本研究主题旨在纳入原创论文，提出用于全球或本地解释的创新方法，以及评估应用于金融问题集的基于人工智能的系统的公平性和稳健性。Hadji Misheva 等人的研究特别关注可解释性的受众依赖性，探讨了瑞士金融行业内的各个利益相关者如何看待可解释性，并深入讨论了当前 XAI 技术的潜力和局限性。这样的研究通过弥合文献中部署的可解释技术与行业需求之间的差距，为文献做出了重要贡献。Gramespacher 和 Posth 的研究对研究选择做出了另一项贡献，重点关注如何利用可解释的人工智能来优化回报目标函数，并着眼于信用评估的典型用例。作者特别指出，如果预测不准确导致成本严重不对称，则应使用准确度指标来代替经济目标函数。此外，所讨论的应用和结果证实了可解释人工智能的一个关键优势
审计和会计中的人工智能和区块链
审计和会计中的人工智能和区块链：文献综述 ANETA ZEMÁNKOVÁ 财务会计和审计系 布拉格经济大学 W. Churchill Square 1938/4, 130 67 布拉格 3 捷克共和国 aneta.zemankova@vse.cz 摘要：- 本文旨在介绍人工智能在审计和会计中的应用，重点介绍当前流行的区块链技术。由于其创新性，该领域不断变化，大公司投入巨额资金以实现人工智能在审计和会计中的广泛应用。本文的主要目标是对受益于人工智能实施的审计任务进行分析，包括风险评估。另一个目标是分析区块链技术及其在审计中的影响。本文的很大一部分内容侧重于基于区块链技术的智能合约和智能审计程序。本文最实际的目的是评估四大会计师事务所（四大领先的审计和会计咨询公司）开发的当前应用程序和审计工具。论文的主要结果包括概述了基本审计任务，证明了人工智能在审计中的重要性，以及在审计中使用区块链的主要影响，特别是提高效率和完整性、降低错误概率，同时也创造了基于持续保证的新一代审计。最后，本文的实际结果是总结了四大会计师事务所最新开发的人工智能工具和创新。 关键词：人工智能、会计、审计、专家系统、审计任务、审计风险、四大会计师事务所、区块链、智能合约 1 引言——人工智能 人工智能目前是增长最快的领域之一。根据领先的研究和咨询公司 Gartner, Inc. 进行的 2019 年 CIO 调查，实施人工智能的企业比例在过去四年中增长了 270%。更重要的是，这一比例在过去一年中增长了两倍，从 2018 年的 25% 上升到 2019 年的 37% [1]。更确切地说，2019 年全球在人工智能方面的支出将达到 375 亿美元，预计到 2023 年将达到 979 亿美元 [2]。人工智能领域的起源可以追溯到 1956 年，与达特茅斯人工智能会议有关，确切地说是在这次会议的提议中，“人工智能”一词首次被使用。约翰·麦卡锡、马文·明斯基、克劳德·香农和纳撒尼尔·罗切斯特发起了一项关于人工智能的研究，该研究基于这样的假设：“学习的每个方面或智能的任何其他特征原则上都可以如此精确地描述，以至于机器可以模拟它” [3]。达特茅斯会议重点讨论了人工智能的不同方面
“会说话的大脑”关于人工智能、神经回路的集体论文......
前言 在 1995 年出版的《说话的头脑》一书中，编辑 Peter Baumgartner 和 Sabine Payr 整理了一系列精彩的访谈，采访对象是 20 世纪最杰出的 20 位认知科学家。从这些访谈中，我们了解到其中一些伟大人物之间存在着多么根深蒂固且明显具有争议性的敌意，并展示了人工智能的两个阵营最终分裂是不可避免的。就像两只从未实现的承诺的认知灰烬中重生的凤凰一样，这个两面怪兽将呈现出近乎宗教狂热的色彩和对彼此的蔑视，因为双方都试图为对方在当时被认为是一个新兴领域的不足之处辩解，而这个领域对未来的人工智能大有裨益。尽管以今天的标准来看，1995 年的采访似乎新颖且细致入微，但辩论本身却有着更早的先例，可以追溯到唐纳德·赫布 (Donald Hebb) 等先驱（“一起放电的神经元连接在一起”），以及战前才华横溢的博学者，如冯·诺依曼和图灵本人（图灵测试）——他们都促成了战后马文·明斯基 (Marvin Minsky) 和弗兰克·罗森布拉特 (Frank Rosenblatt)（同一所布朗克斯科学高中的同学）之间著名的辩论。这些争论可以一口气概括为以下几个方面：（i）人工智能和认知科学（将导致深度学习和我们当前的 Chat-GPT）是否应该尝试模拟人类大脑实际的内部神经结构，即“人类学习”源自单一的神经元二元/数字活动模式（其性质严重依赖于强力概念，如局部性、频率和加权强度）；或（ii）大脑结构——当时和现在仍然无法被我们完全理解——是否应该基于其知之甚少的神经元结构进行建模，而是基于其计算性能和逻辑、推理、因果关系等能力的结果进行建模。后者这些过程是人类独有的，并且本质上似乎相当类似，因为它们产生了基于符号规则的语言和“人类理解”程序。目前，该领域正在进行单一机制模型与双重机制模型的争论。这些论文概括了我对这个主题的一些想法。以下链接摘自非正式工作论文和短文，代表了我对潜在 AI 到自然语言界面现状的一些想法。最后三篇论文（第三部分），特别是“为什么要移动？”，试图捕捉这个 AI 到自然语言界面关于儿童语法发展阶段的内容。这本非正式电子书分为三部分：第一部分“语言的神经基础”，第二部分“递归语法”，第三部分“儿童语言习得”。*关于这个主题的论文、短文和文章都可以在我的学术网站上找到：https://csun。academia.edu/josephgalasso