XiaoMi-AI文件搜索系统
World File Search SystemAlgorithmic
关于医疗保健算法决策的伦理
摘要近年来，众多知名科学出版物一直在报告机器学习算法在医学诊断或治疗建议方面的表现优于临床医生。这激发了对部署相关算法的兴趣，目的是增强医疗保健中的决策。在本文中，我们认为，而不是直接增强临床医生和医疗机构的决策能力，而是部署机器学习算法需要在认知和规范层面上进行权衡。涉及机器学习可能会提高医学诊断的准确性，但在试图评估给定诊断的可靠性时，它以不透明为代价。利用社会认识论和道德责任的文献，我们认为所讨论的不确定性可能破坏了临床医生的认知权威。此外，我们阐明了有关家长式主义，道德责任和公平性的医疗保健机器学习的潜在陷阱。最后，我们讨论了机器学习算法的部署如何改变医学诊断的证据规范。在这方面，我们希望为进一步的道德反映机器学习的机会和陷阱奠定基础，以增强医疗保健中的决策。
算法物理学-Samuel Epstein
本手稿对算法信息理论与各个物理学领域的交集的已发表和未发表的材料进行了调查，包括量子力学，治疗方法，牛顿物理学，黑洞和建筑构造理论。如果一个人可以访问停止序列，则信息可以在空格事件之间传递。探索了算法信息与量子测量之间的关系。使用量子力学压缩经典信息没有好处。本手稿介绍了“半古典子空间”的概念，其中可以测量部分信号并可能发生部分信息克隆。令人惊讶的结果之一是，在进行反谐后，绝大多数的非分子量子（纯和混合）状态将导致经典概率而没有算法信息。因此，大多数非量子量子状态将其切成白噪声。至于热力学，引入了算法粗粒和细粒度熵的新定义。在动力学过程中，算法细粒熵函数振荡。小型幻影是常见的，较大的波动更为罕见。粗粒熵被证明是对细粒熵的极好近似。详细介绍了无同步定律，它说随着时间的流逝而演变的单独和孤立的物理系统不能具有同步的热力学算法熵。对于牛顿物理学，引入了一种典型的度量，该测量值在牛顿空间中得分算法的典型性水平。在围绕质量点的轨道过程中，典型性将振荡。此外，不是异国情调的两个轨道不能具有同步的典型度量。黑洞的Kolmogorov复杂性已详细介绍，并描述了其与复杂性/体积对应关系的关系。独立性假设与许多世界理论和构造者理论相抵触。
算法公平的交叉性问题
描述公平性估计的交叉性问题开发了必不可少的方法来指导搜索公平度指标以基于假设测试的指标来探讨探索基本上不同的方法：公平性作为足够的方法（不是平等），核算不确定性（非点估计）是否充分考虑了估计公平性的统计不确定性吗？
离散的神经算法推理
神经算法推理旨在通过学习模型模仿经典算法的执行来捕获神经网络的计算。虽然共同体系结构具有足够的表现力，可以在权重空间中包含正确的模型，但当前的神经推理者正在努力概括分布数据。另一方面，经典计算不受分布变化的影响，因为它们可以描述为离散计算状态之间的过渡。在这项工作中，我们建议迫使神经推理者将执行轨迹保持为有限的预定状态的组合。为了实现这一目标，我们将离散和连续数据流分开，并描述它们之间的相互作用。在算法的状态转换上接受了监督训练，此类模型能够与原始算法完全保持一致。为了证明这一点，我们在多种算法问题上评估了我们的方法，并在单件任务和多任务设置中获得完美的考试成绩。此外，提出的架构选择使我们能够证明任何测试数据的学习算法的正确性。
算法胁迫的价格更快*
1几个因素被认为对于促进勾结，包括相似的规模和成本，需求的可预测性，所有竞争对手价格的可观察力以及频繁直接通信的可能性很重要。参见，例如Scherer（1980），Tirole（1988）或Porter（2005）。2请参阅https://www.informedrepricer.com/（2025年2月访问）。 3 Brown and Mackay（2023）表明，大型在线零售商的定价技术从每周一次更新到每小时多次发生的更新。 在其他环境中也观察到了高速定价算法的采用（例如，Assad等，2024； Aparicio等，2021）。 4美国联邦贸易委员会指出：“亚马逊估计，对于亚马逊上数千种最受欢迎的产品，它可以在数小时内几乎在互联网上的任何地方检测到任何价格变化，”并断言亚马逊会自动对其他在线零售商的价格变化以及其市场上的卖家自动反应。 参见FTC诉Amazon（2023年9月）。2请参阅https://www.informedrepricer.com/（2025年2月访问）。3 Brown and Mackay（2023）表明，大型在线零售商的定价技术从每周一次更新到每小时多次发生的更新。在其他环境中也观察到了高速定价算法的采用（例如，Assad等，2024； Aparicio等，2021）。4美国联邦贸易委员会指出：“亚马逊估计，对于亚马逊上数千种最受欢迎的产品，它可以在数小时内几乎在互联网上的任何地方检测到任何价格变化，”并断言亚马逊会自动对其他在线零售商的价格变化以及其市场上的卖家自动反应。参见FTC诉Amazon（2023年9月）。
算法解释性“诱饵和开关”
人工智能和机器学习中的解释性（AI/ML）正在成为学术研究的主要领域，并且是一个重大监管问题的主题。越来越多的人，党派，政府和民间社会团体正在达成共识，即AI/ML必须可以解释。在本文中，我们挑战了这一主要趋势。我们认为，要解释性成为道德要求，甚至更多地是为了成为法律要求 - 它应该满足某些当前无法使用的desiderata，甚至可能无法。，本文认为，当前的可解释AI/ML的盛行方法通常是（1）无法指导我们的行动和计划，（2）无法透明地透明透明的原因，而没有实施自动化的决定，并且（3）承销规范（道德和法律）判断>>
算法量子加速的演示
尽管量子计算机的性能日益强大，但使用当今的非容错设备进行可证明的算法量子加速的实验演示仍然难以实现。在这里，我们明确地在 Oracle 模型中展示了这种加速，并以解决问题时间指标与问题规模的缩放比例来量化。我们利用两个不同的 27 量子位 IBM Quantum (IBMQ) 超导处理器实现了单次 Bernstein-Vazirani 算法，该算法解决了识别每次 Oracle 查询后都会发生变化的隐藏位串的问题。当量子计算受到动态解耦保护时，仅在两个处理器中的一个上观察到加速，但如果没有动态解耦，则不会出现加速。这里报告的量子加速不依赖于任何额外的假设或复杂性理论猜想，并在具有 Oracle 和验证器的游戏环境中解决了真正的计算问题。