XiaoMi-AI文件搜索系统
World File Search SystemAlgorithmic
证据状态：算法透明度
算法系统不透明的原因有很多。根据 Burrell (2016) 的说法，不透明可能是故意的，为了保护知识产权、贸易或国家机密，为了遵守法律标准，或者为了避免以某种方式玩弄系统或侵犯其他权利，例如隐私权。它们也可能因为技术文盲或缺乏如何阅读算法系统底层代码的专业知识而变得不透明。根据 Burrell 的说法，算法也可能因为复杂度或高维性与人类尺度推理之间的不匹配而本质上不透明。无论出于何种原因，算法越来越难以捉摸和不透明，导致多个声音呼吁关注算法日益增长的力量以及追究其责任的必要性（Diakopoulos，2014，2015；Pasquale，2015）。
公共行政算法决策
机器学习分为监督和无监督。在第一种情况下，已经对算法进行了“培训”，以根据其程序员输入的数据得出结论（ICO，2017年）。在反向的情况下，在无监督的机器学习下，算法尚未输入，并且在绘制推论时没有指导/指示（Aplaydin，2000）。在公共管理中算法决策的背景下，我们可以基于线性编程的算法（例如，收入x 15％x家庭状况变量=税额）。在这种情况下，不应用使用人工智能技术的算法。人工智能与其创造者独立运行，进行预测/估计（Vlahopoulos，2023）。该算法使用现有数据来预测人类行为，例如为了确定公民是否犯了违规行为。在这种情况下，算法不是线性的（从上面描述的意义上），通常也不可解释：因此，知道每个变量如何做出贡献并不总是那么容易，甚至可能是可能的。在使用深度学习技术的情况下，这更常见。在这种情况下，当可以超越程序员对大量数据的算法分析的规则应用程序的应用时，人工智能就会存在，并且该程序从所提供的数据中识别出的相关性创建了新规则（MenéndezSebastián＆MattosCastañeda，20222年）。
算法决策与控制问题
摘要 多年来，研究复杂机器人类操作员的工业心理学家和工程师已经认识到，人类操作员将责任转移给机器，而无法发现机器故障的情况，这种危险是存在的。我们称之为“控制问题”，理解为人机控制回路中的人在面对可靠自主系统的输出时，容易变得自满、过度依赖或过度缺乏自信。虽然控制问题已经研究了一段时间，但到目前为止，它在机器学习环境中的表现还没有受到重视。本文旨在填补这一空白。我们认为，除某些特殊情况外，算法决策工具不应用于高风险或安全关键决策，除非相关系统在相关决策领域或子领域明显“优于人类”。更具体地说，我们推荐三种策略来解决控制问题，其中最有希望的策略涉及高效算法工具与人类代理之间的互补（且可能动态）耦合。我们还确定了所有此类人机系统在设计中都应反映的六个关键原则。这些可以作为评估任何此类人机系统可行性的框架，也可以作为指导此类系统的设计和实施的框架。
对算法建议的战略回应
∗我们感谢三名匿名裁判，部门编辑和副编辑的出色评论。We also thank Emilio Calvano, Axel Ockenfels as well as participants at the 2021 CESifo Economics of Digitization Workshop, the EEA-ESEM 2022, the ENSAI 2022 Economics Day Workshop as well as seminar participants at the TSE, CEU, UNLP, UPF, University of Zurich, University of Southampton, and University of Vienna for helpful comments and suggestions.作者感谢匿名公司赞助商访问本研究中使用的数据。使用维也纳科学群集（VSC）部分获得了所提供的计算结果。Garcia非常感谢这项研究是由奥地利科学基金（FWF）FWF-FG6部分资助的。瓦格纳（Wagner）感谢Oesterreichische Nationalbank周年纪念基金（项目18878年）的财政支持。出于开放访问目的，作者已通过公共版权许可将CC应用于此研究引起的任何作者接受的手稿版本。⊕奥斯卡尔大学维也纳维也纳大学经济学系1，奥地利A-1090维也纳A-1090。电子邮件：daniel.garcia@univie.ac.at
机器学习中的算法公平
如今，由于复杂模型（例如深神经网络工作（DNN））和众多大规模数据集的收集，机器学习模型在许多领域都取得了显着突破。机器学习模型越来越多地用于与最终用户相互作用的现实应用程序中，例如医疗保健，推荐系统，刑事司法，招聘等[53]。最近的研究表明，这些机器学习模型可能对某些人口统计学表现出歧视行为。例如，皮肤较深的女性的错误率（高达34.7％）远高于皮肤较轻的男性（高达34.7％）[5]。这种戏剧性的准确性差异可能会对肤色较暗的女性造成重大损害。同样，基于AI的科技公司的招聘工具通过用关键词“女性”来惩罚简历来表现出对妇女的歧视。现实世界中AI系统的偏见和不公平行为可能会对个人和我们的社会造成重大伤害。因此，学术界和行业都在解决不公平的问题方面存在着增长的兴趣[59，63，19]。
算法思维-Comp 182
Comp 182中的家庭作业和考试都是根据《赖斯荣誉法》条款作为承诺任务进行的。Comp 182中的考试是保证，您必须自己完成的时间限制任务。每次考试将对允许的任何资源都有明确的声明。不允许其他资源。关于作业，您可以与其他学生以及课程人员在高水平上讨论它们。这些讨论应仅限于理解问题并讨论解决方案的高级方法。您提交的工作必须是您自己的解决方案的综合。您无法从其他人那里获得详细的解决方案，也无法将其作为您自己的工作提交。如果您阅读书籍，在线站点或其他资源作为做作业过程的一部分，则必须明确引用它们。您不应在线搜索家庭作业解决方案。您不应向其他人提供解决方案的访问。您不应使用本课程早期版本中生成的解决方案（无论是来自讲师还是来自学生）。您不应将解决方案发布到公共领域（包括诸如Github之类的地方）。
算法游戏理论 - anthout1
1。游戏的家族和游戏的家族（相当于）以广泛形式（作为游戏树）给出的两人0-SUM游戏的家族。有两个球员，最小和最大。游戏树是深度为n和n = 2 N叶的完整二进制树。每个叶子都有一个值，即给出的最大值的收益，可以是+1（win）或-1（松散）。最小收益是最大收益的负数（当Max Los Min Wins获胜时）。游戏从树的根部开始。将树的层从根部的0到叶子的n。在偶数层上，Min选择一个移动（从当前节点通往下一层的边缘），在奇数层上，Max选择移动。n移动叶子后，每个玩家都会获得各自的回报，并且比赛结束了。