2024 EJ Conference Reflections: Recognizing One Another as Belonging to an EJ Community
作者：Sibyl Diver3 月 18 日和 19 日，“环境正义二元性”会议由 Rodolfo Dirzo 组织，并得到 EJ 工作组的支持，由斯坦福商学院 (GSB) 和 Doerr 可持续发展学院联合赞助，展示了斯坦福及其他地方的重要 EJ 学术研究。感谢组织者、赞助商、演讲者以及出席的 EJ 学者和从业者。演讲者的关键见解阐明了 EJ 研究问题和方法的优先顺序：1）有意义地纳入本地和土著知识体系，2）支持跨学科研究行动倡议以产生影响，3）研究共同设计以具有社会意义——直接与社区合作，研究他们想要答案的问题、与他们的生活相关的问题，以及 4）积极参与系统性种族主义、公平和正义问题，这些
Global instability and the future of a values based international order
全球不稳定和基于价值观的国际秩序的未来 2024 年 4 月 11 日 — 下午 5:00 至下午 6:00 匿名（未经验证）2024 年 3 月 26 日 查塔姆研究所和在线 该小组将探讨美国和英国在塑造世界秩序方面的作用基于规则的自由世界秩序。活动结束后将举行酒会。从历史上看，美国和英国对基于价值观的世界秩序有着共同的愿景。但在全球不稳定和暴力日益恶化的时刻，外交政策从业者越来越被迫考虑相互冲突的价值观和痛苦的权衡。美国和英国能否重新致力于一套共同的价值观和规范，或者二战后的体系是否已经无法挽救？该活动之后将举行酒会。
Holly Korbey highlights the “growing” Science of Learning movement
这篇关于学习科学从业者的文章是必读的。请务必订阅 Holly 的 Substack。
Evaluation of the Primary Care First Model: Second Annual Report
本报告介绍了 Mathematica 对初级保健优先模式第二年的独立评估结果。该模式是 CMS 努力加强初级保健并使初级保健从业者转向基于价值的支付的延续。
More college campuses leveraging the outdoors to support student mental health
心理健康从业者表示，从阳光中获取的维生素 D 可以帮助学生应对压力和心理健康问题。
Global healthcare professionals gather at Humphreys for annual symposium
韩国汉弗莱斯营 – 在第 73 届年度第 38 届会议期间，来自朝鲜半岛各地的医疗保健从业者齐聚一堂，进行为期三天的培训...
给定一个由输入/输出对组成的数据集，如何找到与数据一致的小 DNF？这个问题称为 DNF 最小化，在计算机科学史上以各种形式出现。在这篇由两部分组成的博客文章中，我将调查一些关于这个问题的复杂性的结果以及与学习 DNF 的一些联系。历史和动机。几十年来，DNF 最小化一直是逻辑综合界的核心问题。在这个领域，这个问题被称为“两级逻辑综合”。它有着悠久的历史，可以追溯到 1952 年奎因写的一篇名为“简化真值函数的问题”的论文。奎因的论文在某种程度上是对香农硕士论文“继电器和开关电路的符号分析”的回应，该论文将布尔代数引入了电路设计的研究。奎因对以下问题感兴趣。给定一个布尔函数（作为真值表），找到
Equality or Equity with Dr. Jeff Duncan-Andrade
Jeff Duncan-Andrade 博士是旧金山州立大学的民族研究教授，也是《平等或公平：迈向社区响应式教育模式》一书的作者。他与主持人 Mike Palmer 一起讨论如何改变我们教育系统的基础，以关注我们最受伤和最脆弱的学生的健康。我们首先听听 Jeff 的出身，他是一名社区成员、父亲、学者/研究人员和加利福尼亚州奥克兰的教育从业者。我们追溯了美国种族隔离的失败历史，可追溯到堪萨斯州托皮卡的布朗诉教育委员会案，并研究了新的社区响应式教育模式如何成为帮助被遗弃的孩子治愈的途径。通过让最心怀不满、最挣扎的孩子变得完整，我们可以提升学校和周围社区的所有孩子。这是对 K12 教育不同模式的发人
This Week in AI with Reed Hepler and Steve Hargadon (June 11, 2024)
我们发布了下期“本周人工智能”录音，由于“ChatGPT + AI 2024 图书馆和图书管理员训练营”，因此再次选择在周二发布。本周人工智能新闻不断。希望您喜欢！AI 摘要由 summary.tech 提供：https://www.summarize.tech/youtu.be/6Uvrzl5YP48 00:00:00 - 00:35:00在 2024 年 6 月 11 日的“本周人工智能”节目中，主持人 Steve Hargadon 和 Reed Hepler 讨论了人工智能日益融入日常产品和服务的情况，回顾了 Apple 最近的公告以及从开源人工智能开发到用户友好型工具的转变。他们还探讨
Transportation Systems & Functional Recovery
本次研讨会的目的是召集来自研究和从业者背景的与运输系统和功能恢复相关的主题专家，包括运输系统的风险和弹性。参与者将
Reimagining Medical School to Increase Access with Dr. David Lenihan
David Lenihan 博士是 TIber Health 的联合创始人兼首席执行官。他是一位经验丰富的教育家、创新者和执业医师，他开发了新的医学教育模式，专注于为传统医学院忽视的有抱负的从业者拓展道路。David 与主持人 Mike Palmer 一起谈论了他领导纽约市 Touro 骨科医学院和最近领导波多黎各庞塞健康科学大学的经历。David 分享了新的预测模型如何让他招收了更高比例的少数族裔候选人，并招收了传统医学院不会招收的学生。我们了解了他带领 PHSU 度过飓风、寨卡疫情以及最近的 Covid-19 疫情的看法。很多事情都与在社区中寻找能够成为医疗保健领导者的成员有关，这些成员在
Discovering the systematic errors made by machine learning models
使用跨模态嵌入发现系统性错误在这篇博文中，我们介绍了 Domino，这是一种发现机器学习模型系统性错误的新方法。我们还讨论了定量评估 Domino 等方法的框架。链接：📄 论文（ICLR 2022）🌍 更长的演练💻 GitHub📘 文档📒 Google Colab 实现高总体准确率的机器学习模型通常会在连贯的验证数据切片上犯系统性错误。什么是切片？切片是一组具有共同特征的数据样本。例如，在大型图像数据集中，老式汽车的照片构成一个切片（即切片中的所有图像都有一个共同的主题）。术语切片有许多您可能更熟悉的同义词（例如子组、子群体、地层）。这些术语基本上可以互换，但在本文中我们将坚持使用“切片”。如
Discovering the systematic errors made by machine learning models
使用跨模态嵌入发现系统性错误在这篇博文中，我们介绍了 Domino，这是一种发现机器学习模型系统性错误的新方法。我们还讨论了定量评估 Domino 等方法的框架。链接：📄 论文（ICLR 2022）🌍 更长的演练💻 GitHub📘 文档📒 Google Colab 实现高总体准确率的机器学习模型通常会在连贯的验证数据切片上犯系统性错误。什么是切片？切片是一组具有共同特征的数据样本。例如，在大型图像数据集中，老式汽车的照片构成一个切片（即切片中的所有图像都有一个共同的主题）。术语切片有许多您可能更熟悉的同义词（例如子组、子群体、地层）。这些术语基本上可以互换，但在本文中我们将坚持使用“切片”。如
BanditPAM: Almost Linear-Time k-medoids Clustering via Multi-Armed Bandits
TL;DR想要比 \(k\)-means 更好的东西吗？我们最先进的 NeurIPS \(k\)-medoids 算法 BanditPAM 现已公开！\(\texttt{pip install banditpam}\)，您就可以开始了！与 \(k\)-means 问题一样，\(k\)-medoids 问题是一个聚类问题，我们的目标是将数据集划分为不相交的子集。然而，在 \(k\)-medoids 中，我们要求聚类中心必须是实际数据点，这允许对聚类中心进行更好的解释。\(k\)-medoids 还可以更好地处理任意距离度量，因此如果您使用 \(L_1\) 之类的度量，您的聚类对异常值会更稳健。尽
BanditPAM: Almost Linear-Time k-medoids Clustering via Multi-Armed Bandits
TL;DR想要比 \(k\)-means 更好的东西吗？我们最先进的 NeurIPS \(k\)-medoids 算法 BanditPAM 现已公开！\(\texttt{pip install banditpam}\)，您就可以开始了！与 \(k\)-means 问题一样，\(k\)-medoids 问题是一个聚类问题，我们的目标是将数据集划分为不相交的子集。然而，在 \(k\)-medoids 中，我们要求聚类中心必须是实际数据点，这允许对聚类中心进行更好的解释。\(k\)-medoids 还可以更好地处理任意距离度量，因此如果您使用 \(L_1\) 之类的度量，您的聚类可以对异常值更具鲁棒
Investment Risk and Stock Prices
学者和从业者都认识到，股票投资的感知风险增加以及风险溢价的相应增加会导致股价下跌。大多数风险衡量指标都是抽象的，例如股票收益的历史标准差或 VIX 衡量的未来隐含收益波动率。我认为还有一个更基本的衡量指标具有更直观的影响，即广泛报道的股票指数大幅下跌（定义为 1% 或更高）的频率。当价格急剧下跌时，投资者不仅会亏损，而且这种下跌还会成为金融媒体的头条新闻。专家们会就下跌的原因进行权衡，并担心是否可能进一步下跌。如果多次下跌发生在很近的时间内，影响就会成倍增加。出于上述原因，我喜欢跟踪 1% 下跌的频率。例如，在 2016 年 10 月 1 日至 2017 年 9 月 30 日的一年中，只有 5
Selective Classification Can Magnify Disparities Across Groups
选择性分类是一种在错误代价高昂的环境中部署模型的有效方法，即当模型对预测不确定时，允许它们“弃权”。例如，在医学领域，模型错误可能会造成生死攸关的后果，但弃权问题可以通过让医生做出诊断来轻松处理。在从视觉 123 到 NLP 45 的一系列应用中，即使是简单的选择性分类器，仅依赖于模型逻辑，也会通过弃权而经常显著提高准确性。这使得选择性分类成为 ML 从业者 67 的有力工具。然而，在我们最近的 ICLR 论文中，我们发现尽管选择性分类可以可靠地提高平均准确率，但它可能无法提高甚至损害某些数据子群体的准确率。作为一个激励人心的例子，考虑通过胸部 X 光片诊断胸腔积液或肺部积液的任务。胸腔积液通
Selective Classification Can Magnify Disparities Across Groups
选择性分类是一种在错误代价高昂的环境中部署模型的有效方法，即当模型对预测不确定时，允许它们“弃权”。例如，在医学领域，模型错误可能会产生生死攸关的后果，但弃权可以通过退到医生那里，然后由医生做出诊断来轻松处理。在从视觉 123 到 NLP 45 的一系列应用中，即使是简单的选择性分类器，仅依赖于模型逻辑，也会通过弃权而经常显著提高准确性。这使得选择性分类成为 ML 从业者 67 的有力工具。然而，在我们最近的 ICLR 论文中，我们发现，尽管选择性分类可以可靠地提高平均准确率，但它可能无法提高甚至损害某些数据子群体的准确率。作为一个激励人心的例子，考虑通过胸部 X 光片诊断胸腔积液或肺部积液的
