XiaoMi-AI文件搜索系统
World File Search SystemBias
人工智能/机器学习在医疗健康领域的挑战：偏见、普遍性、隐私
另请参阅：可穿戴传感器在 SARS-CoV-2 感染检测中的表现：系统评价，Mitratza 和 Goodale 等人。《柳叶刀数字健康》
用技术偏见在清洁和肮脏的能量之间取代的弹性
清洁和肮脏的能量与技术变革之间的替代弹性是讨论当今最具挑战性的问题之一，即气候变化之一。尽管其重要性，但很少有研究从经验上估算这些关键参数。在本文中，我估计了从微数据中的清洁和肮脏能量之间取代的弹性，并与技术参数共同反映了能量骨料内技术变化的方向。发现替代弹性范围为2至3的弹性。在数据中观察到的很大的肮脏能量偏见的技术变化验证了指导技术变革的框架，鉴于相对能源价格的历史运动和统一上方替代的估计弹性。但是，我还发现了暗示性的证据，表明近年来，随着相对能源价格的变化和清洁能源的补贴，清洁能源增长的技术的增长速度快于肮脏的能源增强技术。
利用虚拟工作环境减少隐性性别偏见
摘要 隐性性别偏见会给职场女性带来代价高昂且复杂的后果，许多女性报告称自己遭受了性别微侵犯，这导致她们被忽视或不尊重。我们呈现了一个在线桌面虚拟环境，从第一人称视角讲述了男性或女性自我形象的故事，他们要么经历积极要么消极的工作场景。消极场景包括许多来自性别微侵犯分类的例子。与拥有男性自我形象的参与者相比，与女性自我形象有过消极职场体验的参与者的隐性性别偏见水平显著降低。有证据表明，在消极条件下，女性自我形象表现出同理心和观点采择。无论自我形象的性别如何，积极的职场场景体验都没有表明隐性性别偏见显著减少。我们讨论了这些发现的含义，并就减少隐性偏见提出了虚拟环境技术和场景的建议。
种族偏见如何融入临床模型
不仅包括隐性偏见或个人歧视，还包括鼓励和助长这种歧视的规则和实践结构。1 结构性种族主义的一个定义是“社会通过相互加强的住房、教育、就业、收入、福利、信贷、媒体、医疗保健和刑事司法系统助长种族歧视的全部方式”。3 衡量种族主义具有挑战性。它不仅可能是主观的，而且还可能带有政治色彩，并且基于难以收集的数据。尽管如此，为了监测变化和设定目标，有一个可衡量的结果至关重要。出于这个原因，出现了许多衡量种族主义的方法，包括感知歧视量表。3
深层生成模型会扩大未来模型中的偏见吗？
我们研究了深层生成模型对即将到来的计算机视觉模型中潜在社会偏见的影响。互联网目睹了a-a-a-a-aford图像的涌入，因此对可能伴随的固有偏见产生了担忧，这可能导致有害内容的分离。本文探讨了如果将生成的图像用作未来模型的训练数据，是否会发生有害的反馈回路，导致偏差。我们通过逐步将可可和CC3M数据集中的原始图像替换为通过稳定的差异生成的图像来进行模拟。修改后的数据集用于训练OpenCLIP和图像字幕模型，我们根据质量和偏差进行评估。与期望相反，我们的发现表明，在训练期间引入产生的图像并不能统一扩大偏见。相反，观察到跨特定任务的偏置缓解实例。我们进一步阐述了可能影响这些现象的因素，例如图像生成中的伪像（例如，模糊的面孔）或原始数据集中的预先偏见。
城市化增长：宏观经济分析*
* 我们感谢 Fabian Trottner 的深入讨论。我们还感谢 Pol Antr`as、David Autor、Costas Arkolakis、Gideon Bornstein、Laura Castillo-Martinez、Jonathan Dingel、Pierre- Olivier Gourinchas、Gordon Hanson、J. Bradford Jensen、Tom Kemeny、Chris Moser、Michael Peters、Esteban Rossi-Hansberg 和 Steve Redding 的深刻评论。本文表达的任何观点均为作者观点，不代表美国人口普查局的观点。人口普查局的披露审查委员会和披露避免官员已审查此信息产品是否存在未经授权披露机密信息的情况，并已批准了此新闻稿中采用的披露避免做法。本研究由联邦统计研究数据中心根据 FSRDC 项目编号 2193（CBDRB-P2193-R8942、R9405、R9629 和 R10013）进行。Eckert 和 Walsh 感谢普林斯顿大学国际经济系完成本研究的部分工作。本文的当前版本取代了“熟练可扩展服务：经济增长中的新城市偏好”。† 加州大学圣地亚哥分校；fpe@ucsd.edu ‡ 乔治城大学；sharat.ganapati@georgetown.edu § 哥伦比亚大学；caw2226@columbia.edu
通过封闭式CT
冠状动脉钙评分（CCS）可以通过用于筛查心血管疾病（CVD）的非门控或门控计算机断层扫描（CT）进行量化。和非门控的CT用于常规冠状动脉钙（CAC）筛查，原因是其可负担性。但是，非门控CT成像的伪影对自动评分构成了重大挑战。为了应对由工件引起的评分偏见，我们开发了一种新颖的语义提示得分暹罗（SPSS）网络，用于非门控CT的自动CC。在SPSS中，我们建立了一个共享网络，该网络具有回归监督学习和语义监督学习。我们通过混合不带CAC掩模的非门控CT并用CAC掩模将CT训练SPS。在回归监督学习中，该网络经过培训，可以预测非门控CT的CC。为了打击运动伪像的影响，我们引入了语义范围的学习。 我们利用门控CT来训练网络以学习更准确的CAC语义功能。 通过整合回归监督学习和语义监督学习，语义信息可以促使重新调查监督的学习，以准确预测非门控CT的CC。通过在公开可用的数据集上进行广泛的实验，我们证明SPS可以减轻像素化文物标签引入的潜在评分偏差。 此外，我们的实验结果表明，SPSS建立了最先进的性能。在回归监督学习中，该网络经过培训，可以预测非门控CT的CC。为了打击运动伪像的影响，我们引入了语义范围的学习。我们利用门控CT来训练网络以学习更准确的CAC语义功能。通过整合回归监督学习和语义监督学习，语义信息可以促使重新调查监督的学习，以准确预测非门控CT的CC。通过在公开可用的数据集上进行广泛的实验，我们证明SPS可以减轻像素化文物标签引入的潜在评分偏差。此外，我们的实验结果表明，SPSS建立了最先进的性能。
偏见评估 - 欧洲数据保护委员会
4. 汇总偏差：当数据集来自整个人口时，可能会对个人或小群体得出错误的结论。这种偏差最常见的形式是辛普森悖论（Blyth，1972），当只考虑整个人口的汇总数据时，小群体数据中观察到的模式就会消失。最著名的例子来自 1973 年加州大学伯克利分校的录取（Bickel 等人，1975）。根据汇总数据，女性申请者被拒绝的次数似乎明显多于男性。然而，对部门级数据的分析显示，大多数部门男性的拒绝率更高。汇总数据未能揭示这一点，因为女性申请总体录取率低的部门的比例高于申请录取率高的部门的比例。