XiaoMi-AI文件搜索系统
World File Search System歧视性
歧视性和一致表示蒸馏
知识蒸馏（KD）旨在将知识从大型教师模型转移到较小的学生模型。虽然对比学习通过创建歧视性表示表现出了在自我监督学习中的希望，但其在知识蒸馏中的信息仍然有限，并且主要涉及歧视，忽略了教师模型捕获的结构关系。为了解决这一限制，我们提出了d Iscriminative and C On Consistent d Istillation（DCD），它采用了对比损失以及一致性正规化，以最大程度地减少教师和学生代表分布之间的差异。我们的方法引入了在训练过程中适应这些互补目标的可学习温度和偏置参数，以取代对比度学习方法中常用的固定超平衡器。通过CIFAR-100和Imagenet ILSVRC-2012的广泛实验，我们证明DCD实现了状态的表现，学生模型有时会超过教师的准确性。此外，我们表明DCD的所学表示形式将转移到小型成像网和STL-10 1时表现出较高的跨数据集泛化。
创建非歧视性人工智能系统
摘要 在过去十年中，人们越来越担心使用人工智能系统所产生的风险。使用这些系统的主要问题之一是，它们已被证明会对平等和非歧视的基本权利造成损害。在此背景下，我们必须审查旨在解决这一特定问题的现有和拟议监管文书，特别是考虑到将法律文书（特别是平等和非歧视法律框架）的抽象性质应用于编码旨在非歧视的人工智能工具时所需的具体指令的困难。本文重点研究了新欧盟人工智能法案提案的第 10 条如何成为适应算法系统需求的新形式监管的起点。
改革英国的歧视性性犯罪法律……
莫桑比克政府官员、Katia Amado 女士（探路者项目主任）、Maria José Arthur 女士（WLSA – 南部非洲妇女与法律研究与教育信托发言人）、Maira Domingos 女士（Forum Mulher 性与生殖健康及权利协调员）、Julânia Armando Langa 女士（IPAS 高级政策顾问）、Zenaida Machado 女士（人权观察非洲分部安哥拉和莫桑比克研究员）、AMMCJ（莫桑比克妇女法律职业协会）、Antonio Niquice 阁下（国会议员）、Elísio de Sousa 博士（律师和刑法学者）、Danilo da Silva 先生（Lambda 执行主任）和 Ivone Zilhão 女士（探路者性与生殖健康医生），以及其他非政府组织、议会和公务员官员。
可再生能源的歧视性拍卖设计
负担得起的可再生能源是世界各地经济体经济体本身以及通过行业耦合间接脱碳的基石（Brown等，2018，Hansen等，2019）。尽管可再生能源与化石燃料的电力来源达到了成本均衡（Kost等人，2021年），但他们继续需要针对化石燃料市场价格的贬低，以维持低融资成本并增加部署量以满足气候目标。这种投资的贬低通常是通过监管机构拍卖的长期合同来完成的（DelRío和Kiefer，2021年）。此类拍卖被认为是为公共长期合同分配可再生能源的有效工具，因为它们将成本效率和市场整合归为基础。此外，它们应该减少调节器和竞标者之间的信息不对称性（Bruttel等，2016）。在这些拍卖中，将电力消费者的成本降至最低是政府的重要目标，因为消费者的电力成本会影响经济各个部门的过渡成本。尤其如此，因为能源成本是回归性的（Haan和Simmler，2018年），欧洲可再生能源支持的年度成本超过400亿欧元（Busch等，2023），而2022年能源危机表明，高能源价格的政治争议（Fabra，2023）。
寻找较少歧视性算法的法律义务
图1。左：十个不同模型如何表现出相同的准确性的例证，同时在假设的十个人中给出不同的个人预测。右：两个多胶模型的示例：它们表现出相等的精度（所有人比80％），但进行不同的个人预测，从而导致歧视性行为的差异。左侧的图形在男女之间的选择率差异很大，而右图则没有。该图的较暗区域是指模型预测个人值得信誉的地方，而黑暗点对应于那些确实是信誉良好的人。该图的较轻区域是指模型预测个人不可信守的区域，而较轻的点对应于那些确实是不可信任的个体。三角形点是指女性，正方形指的是男人。
1利用较少的歧视性替代性（LDA）模型...
2024年8月1。简介金融机构长期以来一直处于核心业务运营技术的最前沿，人工智能（AI）也没有什么不同。例如，算法已在承保和交易中使用了数十年。但是，AI的最新进展，尤其是机器学习（ML），代表了改变游戏规则的进步。这些新模型自行学习和调整的能力，再加上增强计算能力的可用性，为高级分析打开了利用替代和非结构化数据的高级分析之门。AI/ML提供了以更高的和效率更高的分析和自动化的能力，并越来越多地被金融机构用于后端和前端运营。财务中有各种各样的AI用例，从为数字聊天机器人和虚拟助手提供动力到增强甚至自动化信用和保险承销，再到数字营销和欺诈监控。AI/ML可以为金融消费者带来许多潜在的好处，包括增加信用历史有限的传统服务不足的消费者获得信贷，扩大了潜在的成本较低的新产品和创新产品的可用性，并提供更快的客户服务。，但在几乎所有这些情况下，AI/ML都是双刃剑。可以使消费者受益的相同的AI用例也构成新的风险，具体取决于AI/ML的部署方式。AI/ML模型可以增加获得资金的机会，还可能会使人口的某些部分持续和加剧偏见。数字针对性的营销可用于对侵犯行为偏见的弱势消费者的掠夺性产品进行积极进步。genai可能会更快地对客户服务查询做出更快的响应，但也可能导致反应不正确或阻止消费者与现场代理人联系以解决紧急事项。因此，至关重要的是，拥有明确，可靠的保障措施以减轻消费者的风险，以便安全，负责任地部署AI/ML，以确保消费者可以从AI/ML可能造成的危害。消费者报告（CR）2正在努力支持负责任
基于结构正规化的歧视性多视图无监督特征选择
多视图无监督的特征选择（MUFS）最近引起了相当大的关注，可以从原始的多视图数据中选择紧凑的代表性特征子集。尽管有希望的初步性能，但大多数以前的MUFS方法都无法探讨多视图数据的歧视能力。此外，他们通常使用光谱分析来维持几何结构，这将不可避免地增加参数选择的难度。为了解决这些问题，我们提出了一种新颖的MUFS方法，称为基于结构正规化的歧视性多视图无监督特征选择（SDFS）。具体来说，我们从不同视图中计算样本空间的相似性矩阵，并自动加权每个视图特定图表以学习共识相似性图，其中这两种类型的图形可以相互促进。此外，我们将学习的潜在表示为群集指标，并在没有引入其他参数的情况下采用图形正则化来维护数据的几何结构。此外，开发了具有理论收敛属性的简单而有效的迭代更新算法。在几个基准数据集上进行的广泛实验验证了该设计的模型是否优于几种最新的MUFS模型。©2023 Elsevier B.V.保留所有权利。
340B 州政策：打击歧视性付款人行为
作为将药品制造商的药品列入优先处方集的交换条件，制造商通常同意向 PBM 支付药品回扣，其中一部分将转入保险计划。在某些情况下，PBM 和药房还可能协商药房向 PBM 支付的费用和其他款项，或 PBM 根据满足某些绩效和成本指标向药房支付的额外款项。当 PBM 和付款人采取歧视性做法时，340B 药房（受保实体拥有的药房或受保实体与之签约的药房）实现 340B 福利的能力就会受到损害。此类做法的常见例子包括为 340B 药房设定比非 340B 药房更低的报销率（两级定价）；征收费用；将 340B 药房排除在 PBM 网络之外；并要求提供管理数据，例如身份证明
基于脑电图的深度运动图像分类的可概括和歧视性学习方法
卷积神经网络（CNN）已广泛应用于运动图像（MI）分类范围，从分类精度方面显着提高了最新的（SOA）性能。尽管彻底探索了创新的模型结构，但对目标函数的关注很少。在MI区域中的大多数可用CNN中，标准的横向损失通常作为目标函数执行，这仅确保深度特征可分离性。与当前目标函数的限制相对应，提出了一种新的损失函数，该损失函数与平滑的跨熵（标签平滑）和中心损失的组合被提议作为MI识别任务中模型的监督信号。特别是，通过预测标签和通过均匀分布的噪声正规化的一式硬硬标签之间的熵来计算平滑的横膜。中心损失将学习每个班级的深度特征中心，并最大程度地减少深度特征及其相应中心之间的距离。拟议的损失试图在两个学习目标中优化该模型，以防止过度确定预测并增加深度特征的判别能力（类间的可分离性和内部不变性），从而确保MI识别模型的有效性。我们对两个众所周知的基准（BCI竞争IV-2A和IV-2B）进行了广泛的实验，以评估我们的方法。结果表明，所提出的方法比两个数据集上的其他SOA模型都能达到更好的性能。提出的学习方案为MI分类任务中的CNN模型提供了更强大的优化，同时降低了过度拟合的风险，并增加了深入学习特征的歧视性。
防止人工智能在本地服务中的使用可能产生歧视性的影响
前美国司法部长埃里克·霍尔德也持类似观点。他谈到基于算法的量刑决定时表示，尽管这些措施是出于好意，但我担心它们会无意中破坏我们确保个性化和平等司法的努力。他发表此番言论的时机恰好是在美国用于预测未来犯罪可能性的 AI/ADM 工具 COMPAS 丑闻爆发之后。布里莎·博登和弗农·普拉特的例子表明，司法系统用于为保释、假释和监禁量刑决策提供信息的数据驱动决策技术对历史上被边缘化的群体存在偏见