Versioned Governance for Frontier AI: A Software-Engineering-Inspired Approach
本文提出了一种受软件工程启发的 AI 治理框架,通过倡导细粒度的版本控制、分类变更日志以及明确的回滚机制,来解决规范性政策的“隐性漂移”问题,从而确保政策演进具有透明性、可审计性并获得监管认可。
3710 篇论文
本文提出了一种受软件工程启发的 AI 治理框架,通过倡导细粒度的版本控制、分类变更日志以及明确的回滚机制,来解决规范性政策的“隐性漂移”问题,从而确保政策演进具有透明性、可审计性并获得监管认可。
本文介绍了 PulmoDiagAI,这是一个基于深度学习的智能系统,它利用微调后的卷积神经网络(CNN)架构和先进的图像预处理技术,实现了对医学影像中肺癌和 COVID-19 的高精度自动分类,并最终通过实时图形用户界面(GUI)进行部署,以辅助临床医生进行疾病的早期检测。
本研究表明,生成式人工智能重写会通过诱发特定数据集的失效模式,显著降低健康虚假信息检测器的性能,尽管具备转换感知能力的训练可以在同一领域内部分恢复鲁棒性,但无法一致地推广至不同数据集。
本文介绍了 DACH-DDPG,这是一种漂移感知型连续混合学习框架,它结合了用于自适应信号生成的 SVM 和 XGBoost 以及用于序列交易决策的 DDPG 智能体,通过基于性能触发的模型自适应有效应对市场非平稳性,从而实现卓越的风险调整后收益。
本文提出了 EWGF-CTSA-OSN 框架,该框架通过集成熵权引导滤波、卷积转置自注意力机制以及经过优化的脉冲神经网络,通过有效抑制噪声、捕获多尺度特征并利用屎壳郎优化算法进行参数微调,实现了从超声图像中对乳腺癌进行高度准确的早期诊断。
本文针对基于阿拉伯语 Transformer 的文本分类任务,对个体及集成可解释人工智能(XAI)方法进行了全面的基准测试,结果表明,虽然选择性集成在以模型为中心的忠实度方面提供了适度的提升,但在以人为中心的合理性方面并未显著增强,同时本文还引入了一种具有成本效益的自动化理由选择方法。
本文提出了一种概念验证框架,该框架将基于 SHAP 的模型解释与检索增强生成(RAG)相结合,通过根据主导失效因素检索相关知识,将预测性维护的失效预测转化为具有可操作性、可解释性且针对特定案例的维护建议。
本文提出了一种可解释的机器学习框架,用于预测糖尿病患者30天内的再入院风险,旨在为医院提供一种公平且准确的辅助工具,以识别高风险个体,同时确保算法的透明度与公平性。
本文对 1992 年至 2026 年间发表的 69 篇学术记录进行了可复现的定量内容分析,在包括安全、生物识别、机器人技术和供应链在内的六个领域中,刻画了机器学习信任研究的分布与结构模式,同时证明了文献标题与人工编码的应用类别之间仅存在微弱的一致性。
本文介绍了引用收据协议(Citation Receipt Protocol, CRP),该系统通过生成经过加密签名且可审计的经身份验证的来源检索记录,使数字图书馆能够通过抽样检查来验证特定的引用事件,同时明确承认其在证明全局完整性或语义引用有效性方面的局限性。