XiaoMi-AI文件搜索系统
World File Search System偏差
在图像模拟中混合剪切和红移偏差
摘要 随着星系弱透镜的统计能力达到百分比级精度，需要大规模、逼真且稳健的模拟来校准观测系统，特别是考虑到随着勘测深度的增加，物体混合的重要性日益增加。为了捕捉剪切和光度红移校准中混合的耦合效应，我们定义了透镜的有效红移分布 nγ(z)，并描述了如何使用图像模拟来估算它。我们使用一套广泛的定制图像模拟来表征应用于暗能量调查 (DES) 第 3 年数据集的剪切估计管道的性能。我们描述了多波段、多时期的模拟，并通过与真实 DES 数据的比较证明了它们的高水平的真实感。我们通过在我们的表面模拟上运行变体来分离产生剪切校准偏差的效应，并发现与混合相关的效应是平均乘法偏差的主要贡献，约为 -2%。通过生成随红移变化的输入剪切信号模拟，我们校准了有效红移分布估计中的偏差，并证明了这种方法在混合存在时的重要性。我们提供经过校正的有效红移分布，其中包含统计和系统不确定性，可用于 DES 第三年弱透镜分析。
氢进化反应过渡态的偏差依赖性
摘要：氢进化反应（HER）是绿色能量转变的最突出的电催化反应之一。然而，跨材料和电解质pH的动力学以及高电流密度下的氢覆盖率仍然鲜为人知。在这里，我们研究了她在工业相关的酸性和碱性膜电极组件中的大量纳米颗粒催化剂上的动力学，这些催化剂仅由纯水加湿的气体运行。我们发现了铁三合会（Fe，Ni，Co），造币（AU，Cu，Ag）和铂类金属（IR，PT，PT，PD，RH）之间的不同动力学指纹。重要的是，所应用的偏差不仅改变了激活能（E A），还会改变指数前因子（a）。我们将这些变化解释为界面溶剂的熵变化，由于氢的覆盖率变化，酸和碱之间的差异和熵变化。最后，我们观察到阴离子可以诱导酸中造币金属的巴特勒 - 沃尔默行为。我们的结果为了解她的动力学提供了新的基础，更广泛地强调了迫切需要更新对电催化领域基本概念的共同理解。■简介
我们学到多少？测量通过选择与贝叶斯更新的对称和不对称偏差
ilke aydogan：i.aydogan@ieseg.fraurélienbaillon：baillon@em-lyon.com emmanuel kemel：emmanuel.kemel@gemel@greg-hec.com chen li：c.li@ese@ese.eur.nl，我们感谢Peter Wakker和Han Bleichrodt和Han Bleichrodt的帮助和讨论。Baillon承认NWO Vidi Grant 452-13-013的财务支持。Aydogan承认该地区Haut-De-France（2021.00865 Clam）和欧盟的Horizon Horizon Europe Research and Innovation计划，根据Grant协议（101056891具有能力）。li感谢NWO Veni Grant VI.Veni.191E.024的财务支持。1 See, for instance, Phillips and Edwards ( 1966 ), Edwards ( 1968 ), Tversky and Kahneman ( 1974 ), El-Gamal and Grether ( 1995 ), Oswald and Grosjean ( 2004 ), Möbius, Niederle, Niehaus, and Rosenblat ( 2022 ), Bén- abou and Tirole ( 2016 ), Ambuehl and Li ( 2018 ).
ESG Update 2024年第四季度收益结果 摩卡咖啡 期权的流动性美国 Calvert选择ESG指标的方法 摩根士丹利（Morgan Stanley）对八倍模型进行评分申请人的偏差审核 美国列出的权益期权机构客户订单处理和路由系统 香港市场的MS池指南
合并财务总结1合并财务指标，比率和统计数据2合并和美国银行补充财务信息3巩固了平均公共公平和监管资本信息4机构证券损益表信息，财务指标和比率5财富管理5财富管理损益表和财务状况管理量及统计信息量表7合并贷款和贷款承诺10合并贷款和信贷损失的贷款承诺津贴11美国GAAP对非GAAP的定义非GAAP测量12个绩效指标的定义和条款13-14补充定量详细信息和计算15-16法律通知17
对所有免疫者的疫苗接种错误或偏差的管理目的：本政策旨在提供实践标准
序言：免疫接种变得越来越复杂。为尽可能多的合格接种者安全有效地接种疫苗至关重要。免疫接种错误包括推荐的疫苗类型、稀释量、剂量、部位、途径、人员、时间或时间表的偏差。免疫相关事件包括一系列事件，例如由于儿童定位不正确而导致的针伤、未经同意的免疫接种或因摔倒而晕倒导致受伤。检测免疫接种错误或事件的方法可能包括疫苗提供者自我报告、直接观察或记录审核。临床判断对于就疫苗接种错误和偏差做出适当的决定是必要的。政策：通过新不伦瑞克省免疫计划提供公共资助疫苗和生物制剂的所有免疫接种者的雇主都必须有一个内部流程来管理/报告疫苗接种错误和偏差。除了报告管理错误和偏差之外，还会跟踪事件和未遂事件，以提供支持、识别趋势和/或确定专业发展/能力缺陷并实施策略防止再次发生。
摩根士丹利（Morgan Stanley）对八倍模型进行评分申请人的偏差审核美国列出的权益期权机构客户订单处理和路由系统香港市场的MS池指南
MS Pool采用价格 /类别 /尺寸 /时间顺序匹配的优先级，这鼓励了大小并确定速度（而不是优先考虑时间超过尺寸）。出于这些目的，使用的价格将是上述有效价格。然后以相同的有效价格收到的订单将按类别（订单大小）优先考虑，然后按照收到的时间顺序匹配。代理商订单的有效价格与本金订单相同或更好的价格的优先级将比主订单更高，即使主订单的规模更大或在代理机构订单之前收到。在不同的类别中，订单在以下顺序中优先：代理商，代理商，专业交易员，本金和主要专业交易者。用户将按照该用户活动的性质和频率（或对于新用户，其预期的活动）将用户归类为“专业交易者”。确定用户是否是专业交易者的主要因素是用户的消息数。
算法偏差评估的Abroca分布
[1] Ryan S. Baker。2024。大数据和教育（第8版）。宾夕法尼亚州费城宾夕法尼亚大学。 [2] Ryan S. Baker和Aaron Hawn。2022。教育算法偏见。国际人工智能杂志教育杂志（2022），1-41。[3] Solon Barocas，Andrew D Selbst和Manish Raghavan。2020。反事实解释和主要原因背后的隐藏假设。在2020年公平，问责制和透明度会议的会议记录中。80–89。[4] Alex J Bowers和Xiaoliang Zhou。2019。曲线下的接收器操作特征（ROC）区域（AUC）：一种评估教育结果预测指标准确性的诊断措施。受风险的学生教育杂志（JESPAR）24，1（2019），20-46。[5] Oscar Blessed Deho，Lin Liu，Jiuyong Li，Jixue Liu，Chen Zhan和Srecko Joksimovic。2024。过去！=未来：评估数据集漂移对学习分析模型的公平性的影响。IEEE学习技术交易（2024）。[6] Olga V Demler，Michael J Pencina和Ralph B D'Agostino Sr. 2012。滥用DELONG测试以比较嵌套模型的AUC。医学中的统计数据31，23（2012），2577–2587。[7] Batya Friedman和Helen Nissenbaum。1996。计算机系统中的偏差。信息系统（TOIS）的ACM交易14，3（1996），330–347。[8]乔什·加德纳，克里斯托弗·布鲁克斯和瑞安·贝克。2019。225–234。通过切片分析评估预测学生模型的公平性。在第9届学习分析与知识国际会议论文集。[9]LászlóA Jeni，Jeffrey F Cohn和Fernando de la Torre。2013。面对不平衡的数据：使用性能指标的建议。在2013年，俄亥俄州情感计算和智能互动会议上。IEEE，245–251。 [10] Weijie Jiang和Zachary a Pardos。 2021。 在学生等级预测中迈向公平和算法公平。 在2021年AAAI/ACM关于AI，伦理和社会的会议上。 608–617。 [11]RenéFKizilcec和Hansol Lee。 2022。 教育算法公平。 在教育中人工智能的伦理学中。 Routledge，174–202。 [12]JesúsFSalgado。 2018。 将正常曲线（AUC）下的面积转换为Cohen的D，Pearson的R PB，Ordds-Ratio和自然对数赔率比率：两个转换表。 欧洲心理学杂志适用于法律环境10，1（2018），35-47。 [13] Lele Sha，Mladen Rakovic，Alexander Whitelock-Wainwright，David Carroll，Victoria M Yew，Dragan Gasevic和Guanliang Chen。 2021。 在自动教育论坛帖子中评估算法公平性。 教育中的人工智能：第22届国际会议，AIED 2021，荷兰乌得勒支，6月14日至18日，2021年，第I部分。 Springer，381–394。 2024。 2023。 2018。IEEE，245–251。[10] Weijie Jiang和Zachary a Pardos。2021。在学生等级预测中迈向公平和算法公平。在2021年AAAI/ACM关于AI，伦理和社会的会议上。608–617。[11]RenéFKizilcec和Hansol Lee。2022。教育算法公平。在教育中人工智能的伦理学中。Routledge，174–202。[12]JesúsFSalgado。2018。将正常曲线（AUC）下的面积转换为Cohen的D，Pearson的R PB，Ordds-Ratio和自然对数赔率比率：两个转换表。欧洲心理学杂志适用于法律环境10，1（2018），35-47。[13] Lele Sha，Mladen Rakovic，Alexander Whitelock-Wainwright，David Carroll，Victoria M Yew，Dragan Gasevic和Guanliang Chen。2021。在自动教育论坛帖子中评估算法公平性。教育中的人工智能：第22届国际会议，AIED 2021，荷兰乌得勒支，6月14日至18日，2021年，第I部分。Springer，381–394。2024。2023。2018。[14]Valdemaršvábensk`Y，MélinaVerger，Maria Mercedes T Rodrigo，Clarence James G Monterozo，Ryan S Baker，Miguel Zenon Nicanor LeriasSaavedra，SébastienLallé和Atsushi Shimada。在预测菲律宾学生的学习成绩的模型中评估算法偏见。在第17届国际教育数据挖掘会议上（EDM 2024）。[15]MélinaVerger，SébastienLallé，FrançoisBouchet和Vanda Luengo。您的模型是“ MADD”吗？一种新型指标，用于评估预测学生模型的算法公平性。在第16届国际教育数据挖掘会议上（EDM 2023）。[16] Sahil Verma和Julia Rubin。公平定义解释了。在国际软件公平研讨会的会议记录中。1-7。[17] Zhen Xu，Joseph Olson，Nicole Pochinki，Zhijian Zheng和Renzhe Yu。2024。上下文很重要，但是如何？课程级别的性能和公平转移的相关性在预测模型转移中。在第14届学习分析和知识会议论文集。713–724。[18] Andres Felipe Zambrano，Jiayi Zhang和Ryan S Baker。2024。在贝叶斯知识追踪和粗心大意探测器上研究算法偏见。在第14届学习分析和知识会议论文集。349–359。
“TESSERACT：消除跨空间和时间的恶意软件分类实验偏差”ACSAC 网络安全工件竞赛的影响
五年前，恶意软件分类论文中近乎完美的𝐹 1 分数趋势引发了人们的疑问：Android 恶意软件分类是否已解决。恶意软件分类实际上并非已解决的问题，近乎完美的性能是时空偏差的结果。Tesseract 的开发旨在允许对恶意软件分类器进行不受空间和时间偏差影响的实际评估。Tesseract 发布后，它成为如何进行公平恶意软件分类评估的基准，影响了后续论文的实验设计，迄今为止已有 415 次引用。Tesseract 被实现为一个 Python 库，旨在轻松与常见的 ML 工作流程集成。Tesseract 的设计深受流行的机器学习算法的启发，并且与之完全兼容。