XiaoMi-AI文件搜索系统
World File Search SystemAlgorithmic
算法勾结而没有威胁
最近一直担心自动化定价算法可能会学会“相交”。超级竞争价格的价格可能会成为反复定价游戏的纳什均衡，在这种情况下，如果卖家从竞争对手中“缺陷”，卖方会犯有竞争者的策略，并可以自动学习这些策略。，但威胁的脸上是反竞争的。实际上，标准的经济直觉是，超级竞争性的价格来自使用威胁，或者一方未能正确优化其回报。这是正确的吗？在卖方优化自己的收入时，会明确防止算法决策中的威胁防止超竞争价格吗？编号我们表明，即使两个玩家都使用没有明确编码威胁并为自己的收入进行优化的算法，竞争性价格也可以强劲地出现。由于部署算法是一种承诺形式，因此我们研究了顺序的Bertrand定价游戏（和连续的变体），其中第一个搬运工部署了算法，然后在结果环境中进行了第二个搬运工。我们表明，如果第一个搬运工部署了任何没有重新保证的算法，然后第二个搬运工甚至在这个现在静态的环境中大致优化了，则会出现类似垄断的价格。实际上，存在一系列策略，它们都没有明确编码在算法空间中同时定价游戏的NASH均衡的威胁，并导致了几乎垄断价格。该结果适用于第一搬家部部署的任何无regret学习算法，以及第二名搬运工的任何定价政策，这些算法至少获得了与随机价格一样高的利润，因此，即使第二名的推动者仅在非响应定价分布的空间内进行优化，但即使第二名则仅在非反应定价分布的空间内进行优化，这些分配具有相当可观的机构威胁。这表明可能需要扩展“算法勾结”的定义，以包括没有明确编码威胁的策略。
算法价格歧视和...
使用算法个性化价格不再是一种边缘现象，而是许多在线市场中主要的商业实践，在许多在线市场中，跟踪消费者每次点击都是行业标准。看似无关，几十年来，消费者保护法一直基于以下前提：消费者缺乏有意义的交易权力，无法就合同条款进行讨价还价。本文提出，根据消费者的行为，越来越多地使用算法来设定个性化价格，这为消费者提供了通过算法超过价格和收回市场能力来“讨价还价”的道路。为了支持这一点，本文介绍了在线实验室环境中进行的新型预注册，兼容的随机实验的结果，该实验测试了消费者是否以及如何在给出机会时用算法超过价格，以多个回合为参与者提供10美元的礼品卡，以10美元的价格购买Algorithm，以基于参与者的购买决定，这是一项基于Algorithm的价格，该赠品是基于参与的购买效果。这项研究进一步探讨了使用来自在线消费市场中通常部署的消费者和数据保护法的工具来调节算法定价的潜力：披露授权，防止数据收集的权利（“ cookies Laws”）（“ cookies Laws”）（“ cookies Laws”）以及防止数据保留的权利（“擦除法律”或“擦除法律”或“遗留在“遗忘”））。我们发现明确的证据表明，参与者在战略上避免了他们本来会诱发随后的回合降低价格的购买，以及一些证据表明，这种行为有时以避免有效购买的代价是出于避免有效购买的代价，而当提供的价格低于分配给礼品卡的价值参与者。We found that both these effects increased in magnitude and statistical significance in the presence of disclosure, as well as clear evidence that participants offered data protection rights used them strategically: preventing retention or collection of their data in rounds in which they purchased the gift card, so as to prevent a subsequent price increase, and allowing it in rounds in which they declined to purchase, so as to signal a low WTP and benefit from a price decrease in the next round.
greene-kleitman定理的算法力量
对于给定的n -vertex dag g =（v，e），带有透射率关闭的tc（g），链是tc（g）中的一个定向路径，而抗抗小节是TC（g）中的独立集。最大k-抗问题问题要求计算传递闭合的最大k色子图。相关的最大h-链问题要求计算最大总长度的H脱节链（即TC（G）中的集团。著名的Greene-Kleitman（GK）定理[J.梳子。理论，1976年]证明了这两个问题之间的（组合）连接。在这项工作中，我们将GK定理所隐含的组合特性转化为及时的覆盖算法。与先前的结果相反，我们的算法直接应用于g上，并且不需要其及其传递闭合的先例。让αk（g）为可以被k敌生覆盖的最大顶点数量。我们显示：
文章通过高纤维曲线加密增强了车辆互联网中的隐私算法翻译校正机制
简介：机器翻译是一个具有重要科学和实际意义的现代自然语言处理研究领域。在实践中，语言的变化，语义知识的局限性以及缺乏平行语言资源限制了机器翻译的发展。目标：本文旨在避免在学习过程中复制神经网络，并提高具有有限资源的复杂神经网络机器翻译模型的能力。方法：研究源语言中的文本材料，并使用合适的文本材料表示模型来表达复杂，高级和抽象的语义信息。然后，基于书面数据和算法的控制开发了一个更有效的神经网络机器翻译集成模型。结果：基于转移学习以标准化有限的神经网络模型，必须将数据挖掘应用于复杂的神经网络机器翻译系统。结论：基于迁移训练的基于神经网络的嵌入式机器翻译系统需要少量标记的样品，以提高系统的渗透性。但是，这种自适应迁移学习区域方法可以很容易地导致神经网络翻译模型中的过度学习问题，从而避免了学习过程中过度的对应关系，并提高了具有有限的神经网络资源的翻译模型的概括能力。
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。
临床决策和算法不等式
基于历史数据的决策支持算法将使人们的推荐受到过去不平等影响。详细的历史健康数据包含识别人口因素，例如种族，1个社会经济地位或宗教的模式。这些因素与社会劣势有关，因此与不平等的健康结果间接相关。在此类数据上训练的机器学习或统计模型将能够识别这些模式，并将不平等的结果与这些缺陷组相关联，即使没有明确记录数据中的人口统计信息。1 2如果间接关联后来影响决策支持算法，则有可能在不知不觉中造成进一步的缺点并加剧社会不平等。2当算法的行为不透明，嵌入“黑匣子”并用来影响健康，教育，就业或正义领域的决策时，社会不平等的加强是最高风险的。3
算法鲁棒预测聚合
预测聚合结合了多个预测者的预测以提高准确性。但是，缺乏有关预测者信息结构的知识阻碍了最佳聚集。鉴于一系列信息结构，强大的预测汇总旨在与无所不知的聚合器相比，以最小的最坏情况遗憾找到聚合器。鲁棒预测的先前方法依赖于启发式观察和参数调整。我们提出了一个算法框架，用于鲁棒预测聚合。我们的框架提供了有限的信息结构家族的一般信息聚合的有效近似方案。在Arieli等人考虑的设置中。（2018），如果两个代理在二元状态下接收独立的信号，我们的框架还通过对固定器或代理报告中的分离条件施加Lipschitz条件来提供有效的近似方案。数值实验通过在Arieli等人考虑的设置中提供几乎最佳的聚合器来证明我们方法的有效性。（2018）。