XiaoMi-AI文件搜索系统
World File Search System黑盒子
玻璃盒子，让黑盒子变得智能的尝试
玻璃匣子 使黑匣子智能化的尝试 Rohan D’Souza、Sneha Aruldurai、Prajakta Totawar、Anish Poojary、ManitaRajput 电子与电信系 康塞桑·罗德里格斯神父理工学院，瓦希，孟买，印度。1 rohan.dsz18@gmail.com，2 snehaaruldurai@gmail.com，3 totuprajakta@gmail.com，4 anishpoojary92@gmail.com，5 rajputmanita@yahoo.com 摘要 - 每架飞机的尾部都配备了一个黑匣子。黑匣子中的数据在每次飞机失事调查中都起着至关重要的作用。飞行数据记录器 (FDR) 和驾驶舱语音记录器 (CVR) 统称为黑匣子。分析从黑匣子中检索到的数据，有助于空难调查人员了解和研究坠机原因，利用黑匣子的机密数据，飞机设计工程师可以为未来的设计采取必要的预防措施，以避免进一步的飞机事故。如果这个重要的黑匣子没有从坠机现场找回，那么存储在黑匣子中的所有机密数据都会丢失，坠机原因仍是一个谜。在本文中，我们提出了智能黑匣子的设计和实现，它存储了一些重要参数，即高度、压力、温度、俯仰、偏航和滚转。这个智能黑匣子原型通过将数据上传到云服务器，实时将飞机上的传感器和其他装置检测到的所有信息发送到地面站。空中交通管制 (ATC) 可以访问和监控这些信息，并采取支持措施防止任何可能导致坠机的疏忽并防止灾难发生。关键词 -玻璃箱，BMP180，WiFi，空中交通管制 1.简介 近年来，航空业经历了许多飞机事故。2016 年 7 月 22 日，印度空军 (IAF) 战术运输机安东诺夫 An-32 在从钦奈飞往布莱尔港的快递航班上最后一次出现在雷达上是在上午 9:12，当时它离开了二次监视雷达 (SSR) [1] 的范围。这架 IAF 飞机在飞越孟加拉湾时失踪，机上有 29 人。印度空军和印度海军的多架飞机和舰艇正在钦奈以东 150 海里的水域搜寻，这是飞机最后已知的位置。这是印度历史上规模最大的海上失踪飞机搜救行动。2016 年 9 月 15 日，搜救任务被取消。2014 年 3 月 8 日，马来西亚航空 MH 370 航班，一架
光网络、5G、人工智能等研究
人工智能（AI，artificial intelligence）技术很早就被应用于许多领域，但多年来这项技术并没有获得很高的关注度，直到AlphaGo战胜中韩围棋选手后，才开始成为研究热点，研究人员试图将AI技术应用于不同的领域，其中就包括光通信网络network。在过去的两年里，美国光通信会议（OFC，optical fibrocommunication）和欧洲光通信会议（ECOC，European conference of optical communication）上，至少有16个会议主题集中在AI或机器学习（ML，machine learning）技术上。本文将AI技术与ML技术视为同一类技术，同时，虽然AI技术涵盖范围很广，但本文所指的AI技术主要是神经网络技术。AI技术受到广泛关注主要有以下两个原因。第一，AI技术上手和使用都比较容易。它以黑盒子的方式对系统进行建模，通过大量样本进行学习，让黑盒子自己连接神经元，并分配神经元的连接权重，而不需要用户去理解神经元为什么这样连接，并被分配当前的权重。用户只需要提供足够的学习样本，增加神经元的数量和隐层的数量，就能提高AI技术的预测准确率。第二，AI技术在AlphaGo事件之后，几乎被神化了，几乎人人都知道“人脑人工智能”，而在学术圈，被贴上AI标签的论文也层出不穷。
用可解释的人工智能为分子着色——...
图神经网络能够解决某些药物发现任务，例如分子特性预测和从头分子生成。然而，这些模型被认为是“黑盒子”和“难以调试”。本研究旨在通过将集成梯度可解释人工智能 (XAI) 方法应用于图神经网络模型来提高合理分子设计的建模透明度。模型经过训练可以预测血浆蛋白结合、心脏钾通道抑制、被动通透性和细胞色素 P450 抑制。所提出的方法突出显示了与已知药效团基序一致的分子特征和结构元素，正确识别了特性悬崖，并提供了对非特异性配体-靶标相互作用的见解。开发的 XAI 方法是完全开源的，可供医生使用在其他临床相关终点上训练新模型。
方案
场景是政府间气候变化（IPCC）中最明显，最广泛使用的产品之一。在气候研究中使用了许多种类的场景，但是由于IPCC策划了他们的发展，因此排放场景和社会经济假设具有独特的地位。他们已经从评估周期发展为评估周期，并用作工作组（WGS）和政策权益工具的“边界对象”。综合评估模型（Ling）（IAM）的领域已经出现以产生这些方案，从而在IPCC评估过程中占据了中心位置。由于这些场景统一了对跨学科的未来的假设，因此它们是IPCC对气候研究共享评估以及确保该评估的政策相关性的必不可少的工具。然而，对一组相对较小的复杂模型的依赖激动了人们对透明度，黑盒子假设以及IAM的力量定义“可能性空间”的关注。
扩散对健壮和安全文本的优化...
为解决这个问题，最近的研究（Gandikota等人。，2023; Kumari等。，2023;张等。，2023a; Heng＆Soh，2024年； Gandikota等。，2024年）旨在从模型中删除不需要的概念。在删除目标概念时，希望在非目标概念上的性能保持尽可能接近原始模型。现有的研究主要采用了阻止在模型中包含不安全关键字的提示流的方法。由于阻止仅应用于特定的提示，因此它具有保留非目标概念的优势。但是，它们的缺点是容易受到对抗性及时攻击的影响，如图1所示。最近的研究（Tsai等人，2023; Pham等。，2023;杨等。，2024）已经表明，即使在黑盒子方案中，也可以使用提示进行对抗攻击。这表明您需要删除视觉功能，以防止易受此类及时攻击的脆弱性。
医学视觉语言模型的几次改编
摘要。通过多模式学习整合图像和文本数据已成为医学成像研究中的一种新方法，并在计算机视觉中成功地部署了。虽然已经致力于建立医疗基金会模型及其零射击到下游任务，但流行的几杆设置仍然相对尚未探索。从当前在计算机视觉中的这种设置的强劲出现之后，我们引入了第一个结构化基准，用于在严格的几杆状态下适应医学视觉模型（VLMS），并研究自然图像背景中常用的各种适应性策略。此外，我们评估了线性探针适应性基线的简单概括，该基础是通过可学习的类乘数来寻求视觉原型和文本嵌入的最佳混合。令人惊讶的是，这种文本知情的线性探针与基于复杂的及时学习和基于适配器的策略相比产生了竞争性能，同时运行速度要快得多并适应黑盒子设置。我们的扩展实验涵盖了三种不同的医学模式和专业的基础模型，九个下游任务以及几种最先进的少数适应方法。我们提供了我们的基准和代码公开，以触发此新兴主题的进一步发展：https：//github.com/fereshteshakeri/few-shot-medvlms。
通量室 - ...
一个黑盒子，管道和一个塑料容器似乎不可能在与气候变化的战斗中，但它们在泥炭地中似乎很重要。科学家阿拉斯泰尔·贝利斯（Alastair Baylis）和本·泰勒（Ben Taylor）上周邀请福克兰兹（Falklands）到萨里厨房（Saeri）厨房和花园，以查看助理室，并聊了聊相关项目。该项目由Defra（英国）和Falklands政府资助，并由Falklands Confartion与Saeri，英国生态与水文学中心以及英国的Antarctic调查一起领导。但是为什么首先需要这种设备的原因。有人解释说，泥炭土是重要且有价值的生态系统，其中包括其他好处，有可能通过隔离和存储大量碳来消除肝脏气候变化服务。但是，由于这种通常大的碳储存，它在降级时已经累积了，它们有可能为大气中的温室气体贡献大量的温室气体，因此增加了气候变化。该项目将考虑来自不同泥炭地栖息地的温室气体（GHG）排放。泰勒博士对企鹅新闻说：“数据将增加我们的规定，并为国家水平的碳排放量做出贡献。”数据还可以作为建立“福克兰群岛碳代码”的竞争，可以看到，这可以付出减少土地上温室气体排放的土地所有者的付款，例如通过栖息地修复。”就设备而言，该项目将同时使用通量塔
不透明度和深度学习困境的两个维度
在本文中，我将通过争论以下三个论文来对这个问题提供细微的回答：（i）对深度学习（DL）模型（适当地解释）在特定意义上具有重要意义，它使他们与许多（尽管并非全部）传统科学模型（包括计算机模拟（CSS））区分开来。（ii）XAI涉及两种不同种类的黑盒子，或不透明度，而减少一个则不必有助于减少另一个。这些可能被视为DL不透明度问题的两个维度 - 我将在下面进行确切的概念。（iii）这种不透明度和工具性的独特组合意味着我们通常不能期望了解数据成功的数据（决定性模式）的基本机制（决定性模式），并通过DL算法完全认可和预测。3特别是，当共同满足某些条件时，DL很有可能允许新发现，科学家将很难理解。本文的主要目标是从科学的观点哲学中，对DL革命或不断变化的科学的主张是有道理的。建立（i） - （iii）需要一些概念上的努力。首先，我将区分DNN是模型的三种感觉（2.1），并区分适合我的目的的含义。随后（Sects。2.3和2.4），然后我将确定相关的工具意识，以及为什么它使DL模型不言自明。在教派中。4，然后我将展示DNNS的工具性和不透明度如何导致发现与解释之间前所未有的差距。第3节将定义概念，并主张存在，并为DL的不透明度提供了两个维度；这意味着DNN是不透明的，而CSS的（知名）不透明度无法降低。，与DL在处理大数据方面的前所未有的成功一起，我称之为DL困境。