XiaoMi-AI文件搜索系统
World File Search SystemAlgorithmic
最佳拍卖中的算法信息披露
本文研究了一个联合设计问题，卖方可以设计信号结构，以便代理商学习其价值，以及出售商品的分配和付款规则。在他的开创性工作中，Myerson（1981）展示了如何使用外在信号设计最佳拍卖。我们表明，当卖方还具有设计信号结构的能力时，问题就会变成NP-HARD。我们的主要结果是一种多项式时间近似方案（PTA），用于计算最佳关节设计，最多最多可以在预期收入中乘以𝜖乘积损失。此外，我们表明，在我们的共同设计问题中，卖方可以通过提供部分信息来大大减少代理商的信息租金，从而确保收入至少为所有估值分配的最佳福利的1-1/𝑒。
算法交易中的道德考虑
Anupama Jawale信息技术系SVKM的Narsee Monjee商业与经济学学院，孟买，印度摘要：算法交易已通过精制算法修改并大大提高了国际金融市场，从而允许高速，高频率交易。它提高了市场强度和流动性；但是，它共同提出了主要的道德和监管挑战，尤其是在市场公平，透明度和商业保护方面。本文通过在印度背景下的某些压力来探讨这些问题，分析印度证券交易委员会（SEBI）的最新发展以及旨在最大程度地减少市场操纵并实现某些公平性的国际监管机构。案例研究强调了道德违规和监管反应，以及欺骗和闪存崩溃等做法。为了响应，提出了推荐的策略，以保证通过可解释的AI（XAI）（XAI）进行道德一致性，公平评估，透明度以及对可靠的监管框架的奉献精神。强调渐进式监管和合作的重要性是为了培养安全，公平和公正的贸易环境，这对于长期的金融市场中的保护信任至关重要。
因果健康公平的算法方法：重症监护室（ICU）结果中的种族差异
卫生公平被定义为每个人都有公平而公正地实现最高健康水平的国家。实现健康平等被认为可以改善社区的福祉，降低医疗保健成本，并提高生产力和寿命。但是，健康差异仍然很大。在这种情况下，大规模数据收集和分析的新时代为诊断和了解健康不平等的原因提供了机会。在这项研究中，我们描述了使用因果推断工具系统地分析健康差异的框架。我们通过调查澳大利亚多数族裔与少数群体之间的种族和种族差异（ICU）（ICU）（ICU）（土著与非土著）和美国（非裔美国人与白人）之间的种族和种族差异来说明框架。我们证明，量化不平等的常用统计措施不足，并专注于将观察到的差异归因于产生它的因果机制。我们发现，少数族裔患者在入院时年龄较小，患有慢性健康，更有可能出于紧急和非安全原因而被录取，并且患病严重程度更高。同时，我们还发现属于少数群体的保护性直接效应，与大多数人相比，少数族裔患者的生存率提高，所有其他变量都相等。然后，我们证明这种保护效应与ICU接纳的可能性增加有关，而少数族裔患者患ICU的风险增加。此外，我们还发现，少数族裔患者在提高生存率的同时，实际上更有可能被重新入学到ICU。这些发现支持以下假设：由于获得初级卫生保健的机会较差，少数族裔患者更有可能在ICU中出现可预防的条件，从而导致死亡率降低并产生似乎具有保护性的作用。由于ICU入院的基线风险可能会因为缺乏获得初级保健服务而成为代理人，因此我们开发了本地重症监护股（IICE）雷达，这是一种监测系统，该监测系统可通过澳大利亚本地人口在跨地理区域中追踪ICU资源过度利用ICU资源。
印度股票市场的算法交易和情感分析
摘要。社交网络的快速增长产生了前所未有的用户生成数据，这为文本挖掘提供了绝佳的机会。情感分析是文本挖掘的重要组成部分，试图通过其内容和结构来了解作者对文本的看法。此类信息对于确定大量人的整体意见特别有价值。其实用性的示例正在预测票房销售或股票价格。用户生成的数据最容易访问的来源之一是Twitter，这使得其大多数用户数据通过其数据访问API免费获得。这项研究将预测Twitter上与股票相关的推文的情感价值，并证明这种情感与公司在实时流媒体环境中的股票价格的转移之间存在相关性。本研究数据范围从2018年到2024年。该研究表明，除一家公司以外，几乎所有公司的错误百分比均小于5％。在说明误差百分比小于5的地方，那么准确性很高，并且预测价格更准确。
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。
开处方长效注射药物的实用指南：临床知情的技术方面和算法方法，以增强临床实践中的理解和实施
临床抗精神病药有效性（CATIE）研究非常有充分的文献记载和支持，即精神分裂症谱系障碍的患者不能充分遵守药物。长效注射（LAI）药物始终被证明可以提高患有这些疾病患者的治疗。但是，导航可用的长效注射和提供者的选择性优先偏好的复杂性导致对这些有利的配方的优势不太优势。在本文中，我们总结了每种可用的药物，代表计算机生成的图形，以帮助了解剂量逻辑，并且易于遵循算法，以期将社区精神病医生和高级非医学精神病医生保健提供者提高LAI处方。
算法死手：什么是死亡可能永远不会死
divauction虽然对死手控制的普通法厌恶源于英美法律传统，但该学说在加强规范社会目标方面的正确作用已在几个世纪以来一直在加强规范性的社会目标。2今天，该学说在财产法中平衡了两个相互竞争的政策目标；尊重死亡后对后代的遗嘱意图和限制性控制。 为支持这一和其他转移的规范政策目标而开发的几项推论财产规则，例如反对永久性的规则。 近年来，随着现代信托成为主要的房地产规划工具和现代永久性改革，该学说的相关性已降低，这使该学说最严厉的应用程序减轻了。 3 AI受托人的出现预示了一种新的死亡控制形式，这种控制可能会破坏这种微妙的平衡。2今天，该学说在财产法中平衡了两个相互竞争的政策目标；尊重死亡后对后代的遗嘱意图和限制性控制。为支持这一和其他转移的规范政策目标而开发的几项推论财产规则，例如反对永久性的规则。近年来，随着现代信托成为主要的房地产规划工具和现代永久性改革，该学说的相关性已降低，这使该学说最严厉的应用程序减轻了。3 AI受托人的出现预示了一种新的死亡控制形式，这种控制可能会破坏这种微妙的平衡。
大语模型的算法勾结
∗第一个版本：2024年1月。由OpenAI的研究人员访问计划支持的研究。FISH得到了NSF研究生研究奖学金和Kempner Institute研究生奖学金的支持。Gonczarowski的研究得到了哈佛大学Fas Dean的有前途学术竞争基金的支持，并得到了美国倡议中哈佛大学FAS不平等的竞争基金。Shorrer的研究得到了美国 - 以色列双原则科学基金会（BSF Grant 2022417）的资助。我们感谢NBER市场设计新方向2023会议的组织者创造了一个启发这项研究的环境。我们感谢Ventz Petkov的宝贵技术援助，并感谢Susan Athey，Ben Enke，Edward Glaeser，Marc Henry，David Laibson，Rohit Lamba，Shengwu Li，Ariel Pakes和David Parkes的洞察力和讨论。我们感谢计量学会跨学科前沿（ESIF）经济学和AI+ML会议的参与者，EC 2024关于基金会模型和游戏理论以及在线广告的边界的研讨会：Autobidding，Genai，Genai，Beyond，以及哈佛大学的研讨会参与者的评论。†哈佛大学工程与应用科学学院 - 电子邮件：sfish@g.harvard.edu‡哈佛大学经济学系和计算机科学系 - 电子邮件：yannai@gonch.name