Biological Inspiration for Artificial Immune Systems
School of Computer Science, University of Nottingham（诺丁汉大学计算机学院）
迄今为止，人工免疫系统（AIS）通常受到天真生物隐喻的启发。这限制了这些系统的有效性。在这份立场文件中，两种方法，可以使人工免疫系统更生物现实的讨论。我们建议，人工免疫系统应该从只拥有先天免疫系统的生物体中汲取灵感，并且人工免疫系统应该采用免疫系统的系统模型来构建其整体设计。植物和无脊椎动物的免疫系统的大纲，并提出了一些当代的研究，更生物现实的人工免疫系统可能也进行了讨论。
2010-03-09 cs.AI cs.NE
The Danger Theory and Its Application to Artificial Immune Systems
School of Computer Science（计算机学院）；Hewlett-Packard Laboratories（惠普实验室）；University of Nottingham（诺丁汉大学）
在过去的十年中，一个挑战经典的自我-非自我观点的新观点在免疫学家中流行起来。这就是所谓的危险理论。在这篇概念性论文中，我们从人工免疫系统从业者的角度来看待这个理论。危险理论的概述，特别强调在人工免疫系统世界的类比。一些潜在的应用领域，然后用于提供一个框架的关键评估的概念，其相关性人工免疫系统。
2008-05-16 cs.AI cs.CR cs.NE
Obesity Heuristic, New Way On Artificial Immune Systems
Mansoura University（曼苏拉大学）
人工免疫系统的应用领域需要从免疫学中获得新的隐喻。一个元启发式称为肥胖启发式来自肥胖治疗的进展。该算法的主要力量是生成omega-6和omega-3脂肪酸。该算法采用即时理念;仅在需要时启动。提供了一个数据清洗的案例研究。在标准表格上进行的实验结果表明，肥胖启发式算法优于其他算法，具有100%的召回率。这是一个很大的改进，比其他算法
2012-11-24 cs.AI cs.CR
Artificial Immune Systems Tutorial
University of Nottingham（诺丁汉大学）；University of Memphis（孟菲斯大学）
生物免疫系统是一个强大的，复杂的，自适应的系统，保护身体免受外来病原体的侵害。它能够将体内的所有细胞（或分子）分类为自我细胞或非自我细胞。它在一个分布式工作队的帮助下做到了这一点，该工作队拥有从当地和全球角度采取行动的智慧，利用其化学信使网络进行通信。免疫系统有两个主要分支。先天性免疫系统是一种不变的机制，它可以检测和摧毁某些入侵的生物体，而适应性免疫系统则对以前未知的外来细胞做出反应，并对它们产生反应，这些反应可以在很长一段时间内留在体内。近年来，这个非凡的信息处理生物系统引起了计算机科学的关注。受免疫学的启发，一种新的计算智能技术出现了，称为人工免疫系统。从免疫中提取了几个概念，并将其应用于解决现实世界的科学和工程问题。在本教程中，我们简要描述了与现有人工免疫系统方法相关的免疫系统隐喻。然后，我们将展示适用于人工免疫系统的说明性现实问题，并给出一个这样的问题的分步算法。人工免疫系统与其他知名算法的比较，未来工作的领域，提示和技巧以及资源列表将完成本教程。应该注意的是，由于人工免疫系统仍然是一个年轻和不断发展的领域，还没有一个固定的算法模板，因此实际的实现可能会有所不同，从时间到时间，从这些例子在这里给出。
2008-03-27 cs.AI cs.MA cs.NE
An Artificial Immune System as a Recommender System for Web Sites
University of the West of England（西英格兰大学）；University of Nottingham（诺丁汉大学）
人工免疫系统已成功地用于建立电影数据库的推荐系统。在本研究中，我们尝试将这个想法延伸到网站推荐。将使用超过1000个个人网络配置文件（或者称为偏好/收藏夹/书签文件）的集合。URL将使用开放目录项目的DMOZ（目录Mozilla）数据库作为我们的本体进行分类。这将被用作人工免疫系统的数据，而不是实际的地址。第一次尝试将涉及使用一个简单的分类代码编号，再加上该分类代码中的页数。然而，这种实现方式并没有利用DMOZ的分层树状结构。然后，将考虑建设一个相似性度量的网络配置文件，利用这种层次信息，以建立一个更好的人工免疫系统。
2008-04-03 cs.AI cs.NE
Artificial Immune Tissue using Self-Orgamizing Networks
正如Bentley等人（2005）所介绍的，人工免疫系统（AIS）缺乏组织，而组织以一种或另一种形式存在于所有活的多细胞生物体中。有些人认为，在AIS的背景下，这个概念给已经饱和的免疫启发计算研究领域带来了一些新鲜感。本文的目的是表明，这样一个组件的AIS有可能带来的优势，数据处理算法的数据预处理，聚类和提取所需的免疫启发系统的功能。所提出的组织算法基于自组织网络，例如Kohonen（1996）开发的自组织映射（SOM）和影响由SOM开发的簇的激活函数的所谓Toll样受体（TLR）的类比。
2009-10-28 cs.AI cs.NE
A Recommender System based on Idiotypic Artificial Immune Networks
Hewlett-Packard Laboratories（惠普实验室）；School of Computer Science, University of Nottingham（诺丁汉大学计算机学院）
免疫系统是一个复杂的生物系统，具有高度的分布性、自适应性和自组织性。本文提出了一种人工免疫系统（AIS），利用这些特点，并适用于电影推荐的协同过滤（CF）的任务。自然进化，特别是免疫系统，并不是为经典优化而设计的。然而，对于这个问题，我们对找到一个单一的最优解不感兴趣。相反，我们打算确定一个子集的良好的匹配，建议可以基于。我们的假设是，建立在生物免疫系统的两个中心方面的AIS将是实现这一目标的理想候选者：抗原-抗体相互作用的匹配和独特型抗体-抗体相互作用的多样性。计算结果支持这一猜想，并与其他CF技术发现。
2008-05-16 cs.AI cs.NE
On the Effects of Idiotypic Interactions for Recommendation Communities in Artificial Immune Systems
Hewlett-Packard Laboratories（惠普实验室）
之前已经证明，基于免疫系统独特型原则的推荐器可以胜过仅基于相关性的推荐器。本文报告的工作正在进行中，我们进行了一些调查的性质，这种有益的影响的结果。最初的研究结果是，免疫系统推荐往往会产生不同的邻居，这种推荐的优越性能部分是由于不同的邻居，部分是由于独特型效应被用来加权每个邻居的建议。
2008-05-16 cs.AI cs.NE
Artificial Immune Systems (AIS) - A New Paradigm for Heuristic Decision Making
在过去的几年里，越来越多的启发式决策技术受到自然的启发，例如进化算法，蚁群优化和模拟退火。最近，一种受免疫学启发的新型计算智能技术出现了，称为人工免疫系统（AIS）。这种受免疫系统启发的技术已经在解决一些计算问题方面很有用。在本主题演讲中，我们将非常简要地描述与AIS相关的免疫系统隐喻。然后，我们将给出一些适合AIS使用的说明性现实问题，并展示一步一步的算法演练。AIS与其他知名算法的比较以及未来工作的领域将圆满结束这一主题演讲。应该注意的是，由于AIS仍然是一个年轻和不断发展的领域，还没有一个固定的算法模板，因此实际实现可能与这里给出的示例有些不同。
2008-05-16 cs.AI cs.NE
An Immune Inspired Approach to Anomaly Detection
University of Nottingham（诺丁汉大学）
免疫系统为计算机安全提供了一个丰富的隐喻：在自然界中工作的异常检测应该适用于机器。然而，早期用于计算机安全的人工免疫系统方法只取得了有限的成功。可以说，这是由于这些人工系统基于对免疫系统过于简单化的看法。我们在这里提出了第二代人工免疫系统的过程异常检测。它通过使用不同的人工细胞类型来处理信息，从而改进了早期的系统。在详细介绍了如何构建这样的第二代系统之后，我们发现细胞类型之间的通信是性能的关键。通过现实的测试和验证，我们表明，第二代人工免疫系统能够超越通用的系统策略的异常检测。本文最后讨论并概述了计算机安全这一令人兴奋的领域的下一步。
2009-10-16 cs.AI cs.CR cs.NE
SAIS: A Novel Bio-Inspired Artificial Immune System Based on Symbiotic Paradigm
Imperial College London（帝国理工学院）；Heriot-Watt University（赫瑞瓦特大学）
提出共生人工免疫系统SAIS，借鉴共生生物搜索算法三阶段更新机制，有效增强种群多样性，在26个基准问题上优于主流方法。
2024-02-11 cs.AI cs.NE
Detecting Anomalous Process Behaviour using Second Generation Artificial Immune Systems
University of Nottingham（诺丁汉大学）
人工免疫系统已成功地应用于许多问题领域，包括容错和数据采掘，但已被证明是规模差时，应用于计算机入侵检测，尽管事实上，生物免疫系统是一个非常有效的异常检测器。这可能是因为AIS算法先前基于适应性免疫系统和生物学幼稚模型。本文的重点是描述和测试一个更复杂和生物学上真实的AIS模型，灵感来自先天免疫系统和适应性免疫系统之间的相互作用。它的性能在一个现实的过程异常检测问题被证明是优于标准的AIS方法（否定选择），基于策略的异常检测方法（systrace），和一个替代的先天AIS方法（DCA）。此外，它表明，运行时信息可以与系统调用信息结合使用，以提高检测能力。
2010-06-18 cs.AI cs.CR cs.NE
Artificial Immune Systems (2010)
School of Computer Science, University of Nottingham（诺丁汉大学计算机学院）
人类免疫系统具有许多特性，使其在计算领域中成熟，例如鲁棒性和容错，并且许多不同的算法，统称为人工免疫系统（AIS），受到它的启发。第一代依赖于简化的免疫模型，第二代利用跨学科合作来开发更深入的了解免疫系统，从而产生更复杂的模型。这两代算法已成功地应用于各种问题，包括异常检测，模式识别，优化和机器人。在这一章中，AIS的概述，其演变进行了讨论，它表明，该领域的多样化与免疫系统本身的多样性，导致一些算法，而不是一个原型系统。两个案例研究也提出，以帮助深入了解AIS的机制，这些是独特型网络的方法和树突状细胞算法。
2010-06-25 cs.AI cs.MA cs.NE
On Affinity Measures for Artificial Immune System Movie Recommenders
School of Computer Science and IT, University of Nottingham（诺丁汉大学计算机科学与信息技术学院）
我们将人工免疫系统的AIS技术与协同过滤的CF技术相结合，并使用它来构建一个电影推荐系统。我们已经知道，人工免疫系统的工作以及作为电影解码器从以前的工作由Cayzer和Aickelin 3，4，5。在这里，我们的目的是调查不同的亲和力测量算法的AIS的效果。两种不同的亲和度测量，KendallsTau和加权Kappa，被用来计算相关系数的电影推荐。我们将结果与以前发表的结果进行了比较，并表明加权Kappa比其他方法更适合于电影问题。我们还表明，AIS一般是强大的电影播放器，只要选择一个合适的亲和力措施，结果是好的。
2008-05-16 cs.AI cs.CY cs.NE
Artificial Intelligence and Machine Learning in the Development of Vaccines and Immunotherapeutics Yesterday, Today, and Tomorrow
University of California, Irvine（加州大学尔湾分校）
该研究梳理了AI与深度学习在疫苗和免疫治疗药物研发中的发展历程、当前应用场景及未来方向，指出其可提升研发效率与效果，有望推动个性化相关疗法研发的变革性发展。
2025-06-13 cs.AI
An Extensive Report on Cellular Automata Based Artificial Immune System for Strengthening Automated Protein Prediction
JNTU Hyderabad（贾瓦哈拉尔尼赫鲁科技大学海得拉巴校区）；Acharya Nagarjuna University（阿查里亚龙树大学）；JNTU Kakinada（贾瓦哈拉尔尼赫鲁科技大学卡基纳达校区）
人工免疫系统（AIS-MACA）是一种新的计算智能技术，它可以增强自动蛋白质预测系统的适应性和并行性。大多数现有的方法是顺序的，将输入分为四个主要类别，这些是为类似的序列而设计的。AIS-MACA被设计为从与具有混合和混合变异的训练序列共享模糊区相似性和同一性的序列中识别10个类。该方法还预测了二级结构的三种状态（螺旋、链和卷曲）。我们的综合设计考虑了10个特征选择方法和4个分类器，以开发基于MACA（多吸引子元胞自动机）的分类器，为10个类中的每一个构建。我们已经用twilight-zone和1-high-similarity基准数据集测试了所提出的分类器，这些数据集具有超过30个现代竞争预测器，表明AIS-MACA提供了最佳的整体准确度，范围在80%和89.8%之间，具体取决于数据集。
2013-10-16 cs.AI cs.CE
Modeling and Verification of a Multi-Agent Argumentation System using NuSMV
Manipal Institute of Technology（马尼帕尔理工学院）；Manipal University（马尼帕尔大学）
自主智能体研究是人工智能的前沿领域。基于报价的谈判（IBN）是一种谈判形式，其中代理人交换有关其潜在目标的信息，以期提高报价的可能性和质量。在本文中，我们建模和验证的多智能体的资源共享机制，使资源共享在分布式系统的论证方案。我们在模型中使用IBN，其中代理人向社会中的其他人表达他们的利益，以获得某些资源。
2012-09-19 cs.AI cs.MA
Structured Affinity for Unsupervised Visual Class-Incremental Memory in Deep Artificial Immune Networks
University of Johannesburg（约翰内斯堡大学）
该研究提出结构化亲和性等关键机制，构建无需重放、反向传播的深度人工免疫网络，在多视觉数据集上实现高效无监督视觉类增量记忆学习。
2026-08-21 cs.AI cs.CV cs.LG
Artificial Dendritic Cells: Multi-faceted Perspectives
University of Nottingham（诺丁汉大学）
树突状细胞是人类免疫系统的犯罪现场调查员。它们的功能是将潜在的异常入侵实体与观察到的对身体的损害相关联。树突状细胞对这种入侵者的检测导致适应性免疫系统的激活，最终导致从宿主体内清除入侵者。这种机制为一种新的生物启发算法--树突细胞算法的发展提供了灵感。该算法以多个分辨率级别处理信息，从而产生可变结构的信息颗粒。在这一章中，我们将研究免疫学的多方面性质，以及该领域的研究如何塑造树突细胞算法的功能。结合用于其开发的过程的细节给出了算法的简要概述。本章最后讨论了我们对人类免疫系统的理解与这些知识如何影响人工免疫系统设计之间的相似之处。
2009-07-23 cs.AI cs.CR cs.MA
Achieving Collective Welfare in Multi-Agent Reinforcement Learning via Suggestion Sharing
Warwick Manufacturing Group, University of Warwick, Coventry, UK（沃里克制造集团，沃里克大学，科文特里，英国）；School of Electrical Engineering and Computer Science, Louisiana State University, USA（电气工程与计算机科学学院，路易斯安那州立大学，美国）；Department of Statistics, University of Warwick, Coventry, UK（统计学系，沃里克大学，科文特里，英国）；Alan Turing Institute, London, UK（艾伦·图灵研究所，伦敦，英国）
针对多智能体强化学习中个体利益与集体利益冲突的问题，提出一种通过交换行动建议实现协作的方法，泄露隐私更少且无需设计内在奖励，性能与现有基线相当并得到理论支撑。
2025-06-16 cs.AI cs.LG cs.MA
Applying the Negative Selection Algorithm for Merger and Acquisition Target Identification
University of Johannesburg（约翰内斯堡大学）；University of Vienna（维也纳大学）；University of Permambuco（伯南布哥大学）
在本文中，我们提出了一种新的方法的基础上的否定选择算法，属于计算智能领域，具体地说，人工免疫系统，以确定收购目标。虽然大量的研究基于传统的统计技术和一些当代的计算智能技术已经致力于确定收购目标，大多数现有的研究是基于多个以前的合并和收购。与以前的研究相反，这一建议的新颖性在于它能够为处于合并和收购热潮初期的新手公司提出收购目标。我们首先讨论了理论的角度，然后提供了一个案例研究与实际实施的细节，都利用人工免疫系统算法的独特的泛化能力。
2013-08-10 cs.AI
A Proposed Biomedical Data Policy Framework to Reduce Fragmentation, Improve Quality, and Incentivize Sharing in Indian Healthcare in the era of Artificial Intelligence and Digital Health
Post Graduate Institute of Medical Sciences（医学研究生院）；Amrita School of Medicine, Amrita Vishwa Vidyapeetham（阿姆里塔医学院，阿姆里塔大学）；All India Institute of Medical Sciences（全印医学科学研究所）
本文提出一个多层激励架构，通过认可数据论文、纳入开放数据指标、采用Shapley值基于的收益共享和建立数据管理员角色，解决印度医疗数据碎片化和激励不匹配问题。
2026-04-13 cs.AI
Learning an Artificial Language for Knowledge-Sharing in Multilingual Translation
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
多语言神经翻译的基石是跨语言的共享表示。考虑到神经网络理论上无限的表示能力，语义相同的句子可能会以不同的方式表示。虽然在连续潜在空间中表示句子确保了表达能力，但它引入了捕获不相关特征的风险，这阻碍了对共同表示的学习。在这项工作中，我们通过将编码器状态分配给码本中的条目来离散化多语言模型的编码器输出潜在空间，该码本实际上代表了一种新的人工语言中的源语句。这种离散化过程不仅提供了一种新的方式来解释否则黑盒模型表示，但更重要的是，在看不见的测试条件下，提供了增加鲁棒性的潜力。我们验证了我们的方法与现实的数据量和域的大规模实验。在zero-shot条件下进行测试时，我们的方法与文献中的两种强有力的替代方案具有竞争力。我们还使用学习的人工语言来分析模型行为，并发现使用类似的桥接语言可以增加其余语言之间的知识共享。
2022-11-18 cs.AI cs.CL
Experimenting with Innate Immunity
University of Nottingham（诺丁汉大学）
在之前的一篇论文中，作者论证了将先天免疫的想法纳入人工免疫系统（AIS）的情况，并提出了此类系统的概念框架的大纲。重点介绍了在生物先天和适应性免疫系统中观察到的一些关键的一般特性，并详细讨论了如何在人工系统中实例化这些特性。下一个合乎逻辑的步骤是采取这些想法，并建立一个软件系统，与这些属性的AIS可以实现和实验评估。本文报告了该步骤的结果--libtissue系统。
2010-04-16 cs.AI cs.NE
Idiotypic Immune Networks in Mobile Robot Control
Jerne的独特型网络理论假设免疫应答涉及抗体间的刺激和抑制以及与抗原的匹配。该理论已被证明是最流行的人工免疫系统（ais）模型，可用于基于行为的机器人技术，但实施独特型选择的指导方针很少。此外，采用该技术的直接影响还没有得到证明的形式与非独特型系统的比较。本文旨在解决这些问题。描述了一种将独特型ais网络与基于强化学习的控制系统（rl）集成的方法，并详细解释了抗体刺激和抑制的机制。提出了一些假设，占网络优势，并使用三个系统与独特的复杂性增加进行测试。基本的rl，一个简化的混合ais-rl，独立于衍生的浓度水平和一个完整的混合ais-rl计划实施独特型选择进行检查。测试台采用模拟先锋机器人的形式，需要通过迷宫世界导航，检测和跟踪门标记。
2008-03-20 cs.AI cs.NE cs.RO
An Idiotypic Immune Network as a Short Term Learning Architecture for Mobile Robots
School of Computer Science, University of Nottingham（诺丁汉大学计算机学院）
结合短期学习（STL）和长期学习（LTL）的方法来解决移动机器人导航问题，并在真实和模拟环境中进行了测试。LTL包括使用遗传算法的快速模拟，以获得不同的行为集。然后将这些集合转移到独特型人工免疫系统（AIS）中，形成STL阶段，并且该系统被称为种子。结合LTL-STL的方法相比，仅使用STL，并与使用一个手工设计的控制器。此外，当独特型机制关闭时，测试STL阶段。结果提供了大量的证据表明，最好的选择是种子独特型系统，即架构，合并LTL与独特型AIS的STL。他们还表明，结构上不同的环境可以用于两个阶段，而不损害可转移性
2009-10-16 cs.AI cs.NE cs.RO
The Internet of Large Language Models: An Orchestration Framework for LLM Training and Knowledge Exchange Toward Artificial General Intelligence
EureXa Labs（优瑞科萨实验室）；Peking University（北京大学）；University of Waterloo（滑铁卢大学）
针对大语言模型开发中规模大、配置复杂、功能单一、算力成本高等挑战，提出含共享协议、通用环境框架、Agent最优路径模块的编排框架及联合挖矿机制，实现算力与设计方价值共享，降低研究成本，推动LLM发展。
2025-01-11 cs.AI
Collective Privacy Recovery: Data-sharing Coordination via Decentralized Artificial Intelligence
School of Computing, University of Leeds（利兹大学计算学院）；ETH Zurich（苏黎世联邦理工学院）；Institute for a Secure and Sustainable Environment, University of Tennessee（田纳西大学安全与可持续环境研究所）；University of Tennessee（田纳西大学）
本文研究集体隐私恢复问题，提出利用去中心化人工智能协调数据集体按需共享最少数据，并通过涉及超过27,000次真实披露的生活实验室实验证明该方法能实现个人隐私恢复与服务商成本降低的双赢。
2023-07-10 cs.AI cs.CY cs.DC
Prosociality by Coupling, Not Mere Observation: Homeostatic Sharing in an Inspectable Recurrent Artificial Life Agent
Independent Research Engineer（独立研究工程师）
研究通过稳态耦合而非直接奖励或观察实现人工体的亲社会行为，发现耦合使智能体主动帮助同伴，而单纯观察无效。
2026-06-09 cs.AI cs.MA
Blockchain-Enabled Artificial Intelligence and AI Agents for Secure Data Sharing and Cybersecurity Applications
Palo Alto Networks（帕洛阿尔托网络公司）
本文通过元综合研究，提出一种结合对抗性模型、区块链数据来源和智能合约多代理修复的分层架构，以解决AI安全运营中的数据、模型和代理信任问题。
2026-09-25 cs.AI cs.CR
Mutual Understanding between People and Systems via Neurosymbolic AI and Knowledge Graphs
Cefriel；Politecnico di Milano（米兰理工大学）
本章提出神经符号人工智能（NeSy AI）结合知识图谱可增强人与系统的相互理解，从共享、交换、治理知识三维度分析其概念，并通过用例探讨技术潜力、挑战及未来研究空白。
2025-04-15 cs.AI
Immune Moral Models? Pro-Social Rule Breaking as a Moral Enhancement Approach for Ethical AI
University College Dublin（都柏林大学学院）
我们正在走向一个基于人工智能（AI）的代理代表人类做出许多决定的未来。从医疗保健决策到社交媒体审查，这些代理人面临问题，并做出具有道德和社会影响的决策。道德行为是我们希望在以人为中心的AI中具有的一个关键特征。在以人为本的行业中，如服务业和医疗保健行业，一个常见的观察结果是，他们的专业人士倾向于在必要时出于亲社会的原因打破规则。人类的这种行为被定义为违反社会规则。为了使人工智能智能体更加以人为中心，我们认为，有必要建立一种机制，帮助人工智能智能体确定何时打破其设计师设定的规则。为了理解人工智能智能体何时需要打破规则，我们研究了人类出于亲社会原因打破规则的条件。在本文中，我们提出了一项研究，介绍了一个“疫苗接种策略困境”的人类参与者，并分析他们的反应。在这种困境中，人们需要决定是只向高风险群体的成员分发新型冠状病毒疫苗（遵循强制规则），还是在特定情况下向少数社会影响者接种疫苗（打破规则），这可能会给社会带来更大的整体利益。实证研究的结果表明，利益相关者的效用和亲社会的规则打破（PSRB）之间的关系，这既不是义务论和功利主义伦理完全解释。最后，本文讨论了具有PSRB能力的伦理Agent的设计特点，以及PSRB在人工智能领域的未来研究方向。我们希望这将为未来人工智能智能体的设计及其决策行为提供信息。
2022-05-09 cs.AI cs.CY
Caring Without Sharing: A Federated Learning Crowdsensing Framework for Diversifying Representation of Cities
University of Washington, Bothell（华盛顿大学博塞尔分校）
移动群体感知已经成为研究者大规模收集公民行为数据的主流范式。这些有价值的数据可以用来创建集中式存储库，这些存储库可用于训练高级人工智能（AI）模型，以提供各种服务，从而在各个方面造福社会。尽管数十年的研究已经探索了移动人群感知在激励方面的可行性，并且已经做出了许多尝试来减少参与障碍，但关于共享个人数据的隐私问题仍然存在。最近出现了一种新的途径，使MCS范式转向更隐私保护的协作学习，即联邦学习。在本文中，我们将为这一新兴范式提供一个框架。我们展示了我们的框架的功能，通过案例研究多样化的两个视觉算法，通过学习普通人行道障碍物的表示，作为增强视障导航的一部分。
2022-01-20 cs.AI cs.CY cs.LG
Artificial Intelligence BlockCloud (AIBC) Technical Whitepaper
Cofintelligence BlockCloud Technology Ltd.（科智区块链科技有限公司）；Cofintelligence Financial Technology Ltd.（科智金融科技有限公司）
AIBC是一个基于人工智能和区块链技术的大规模去中心化生态系统，允许在系统范围内低成本共享计算和存储资源。AIBC由四层组成：基础层、资源层、应用层和生态系统层。AIBC实现了两个共识方案来执行上层经济政策并实现基础层性能和鲁棒性：应用和资源层上的DPoEV激励共识，以及基础层上的DABFT分布式共识。DABFT使用深度学习技术来预测和选择最合适的BFT算法，以实现性能、鲁棒性和安全性的最佳平衡。DPoEV使用知识地图算法来准确评估数字资产的经济价值。
2019-09-26 cs.AI cs.LG q-fin.ST
Explainable Artificial Intelligence Reveals Novel Insight into Tumor Microenvironment Conditions Linked with Better Prognosis in Patients with Breast Cancer
The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；The University of Texas MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心）；Evolution Online LLC（Evolution Online有限责任公司）
我们通过使用可解释人工智能（XAI）模型研究了肿瘤微环境（TME）中的特征与三阴性乳腺癌（TNBC）和非TNBC（NTNBC）患者的总体和5年生存率之间的数据驱动关系。我们使用了来自癌症基因组图谱的浸润性乳腺癌患者的临床信息，以及来自cbioPortal的两项研究，PanCanAtlas项目和GDAC Firehose研究。在这项研究中，我们使用了来自UCSC Xena数据集的1，015名乳腺癌患者（存活或死亡）的标准化RNA测序数据驱动队列，并使用EPIC方法进行了整合去卷积，以估计来自RNA测序数据的7种不同免疫和基质细胞的百分比。从我们的XAI模型中获得的新见解表明，CD4+ T细胞和B细胞比其他TME特征对TNBC和NTNBC患者的预后更重要。我们的XAI模型揭示了关键的拐点（即，阈值分数），高于或低于该阈值分数，5年存活率提高。随后，我们确定了在从拐点推断的特定条件下，TNBC和NTNBC患者的$\geq$ 5年生存率的条件概率。特别是，XAI模型显示，TME中超过0.018的B细胞分数可以确保NTNBC患者100%的5年生存率。这项研究的发现可能会导致更准确的临床预测和增强的免疫治疗，并设计创新策略来重新编程乳腺癌患者的TME。
2021-04-24 cs.AI cs.LG q-bio.GN
