XiaoMi-AI文件搜索系统
World File Search SystemBiases
通过偏见神经元消除的指导跟随语言模型的偏见
指导遵循语言模型通常表现出不良的偏见。这些不良偏见可能会在语言模型的现实世界中加速，在这种模型的现实世界中，通过零射击的提示，使用了广泛的指示。为了解决这个问题，我们首先定义了偏置神经元，该神经元显着影响偏见的产出，并在经验上证明其存在。此外，我们提出了一种新颖而实用的缓解方法CRISPR，以消除在遵循教学遵循的环境中语言模型的偏置神经元。crispr au-fomations确定有偏见的输出，并使用可解释性方法来影响偏见输出作为偏见神经元的神经元。实验结果证明了我们方法在减轻零射击指令遵循设置下的偏见的有效性，但失去了模型的任务绩效和现有知识。实验结果揭示了我们方法的普遍性，因为它在各种指令和数据集中显示出鲁棒性。令人惊讶的是，我们的方法可以通过仅消除少数神经元（至少三个）来使语言模型的偏见。
与云的CMIP6模型中的南大洋太阳反射偏见
补充文本S1：在某些情况下，日光或高度反射层可能会在信号上产生噪音，并使两个冷凝水相之间的区别复杂化。结果，像素可以分类为“未定义相”，通常对应于亚零温度下像素中液体和冰颗粒的混合物（Cesana等，2016）。在这项研究中，我们认为这些像素是液体主导的。Calipso-GOCCP云相V2.9的主要局限性与LIDAR衰减有关，这可能会导致对完全减弱的像素的误诊，因为是透明的天空，随后低估了表面附近的垂直云分数（1 km以下，Cesana等人，2016年，1 km以下）。但是，通过使用LiDAR模拟器在模拟中重现了这种低估。Cesana等人描述了本研究中使用的观察不确定性估计值。（2021）。
探索大学人工智能课程中的大型语言模型的社会偏见
基于大型神经网络的语言模型在当代人工智能中扮演着越来越重要的角色。尽管这些模型展示了复杂的文本生成能力，但它们也被证明会重现训练数据中包含的有害社会偏见。本文介绍了一个项目，引导学生探索大型语言模型中的社会偏见。作为大学中级人工智能课程的最终项目，学生开发了一个偏见探测任务，以研究以前未研究过的社会语言学或社会文化偏见方面。通过构建数据集和评估指标来衡量偏见的过程，学生掌握了关键的技术概念，包括如何运行当代神经网络进行自然语言处理任务；构建数据集和评估指标；以及分析实验结果。学生在课堂演示和期末报告中报告了他们的发现，重新叙述了令人惊讶、不安并激发人们倡导反映更多样化背景和经验的技术的兴趣的预测模式。通过这个项目，学生们可以参与甚至为日益增多的有关大型语言模型中的社会偏见的学术研究做出贡献。
DNA 修复环境与靶序列的相互作用可预测地导致 Cas9 产生的突变
CRISPR/Cas9 产生的双链断裂的致突变结果取决于切割两侧的序列和细胞 DNA 损伤修复。这些特征之间的相互作用在很大程度上尚未得到探索，这限制了我们理解和操纵结果的能力。在这里，我们测量了 18 个修复基因的缺失如何改变小鼠胚胎干细胞中 2,838 个合成靶序列中 Cas9 双链断裂产生的 83,680 个独特突变结果的频率。这项大规模调查使我们能够以无偏见的方式对结果进行分类，从而产生有关双链断裂修复新模式的假设。我们的数据表明，Prkdc（DNA-PKcs 蛋白）和 Polm（Polμ）在创建与 Cas9 切口近端核苷酸（相对于原间隔区相邻基序 (PAM)）相匹配的 1bp 插入方面发挥着特殊作用，Nbn（NBN）和 Polq（Polθ）在创建不同的删除结果方面发挥着不同的作用，并且存在一类独特的单向删除结果，这些结果既依赖于末端保护基因 Xrcc5（Ku80），也依赖于切除基因 Nbn（NBN）。我们利用修复环境中可重复变异的知识，建立了 Cas9 断裂诱变结果的预测模型，该模型优于当前标准。这项工作提高了我们对 DNA 修复基因功能的理解，并为更精确地调节 CRISPR/Cas9 产生的突变提供了途径。
多能性景观的无偏分析揭示了克隆命运偏差的空间调节因素
尽管 Ptch1 编辑导致祖细胞重新偏向或由于 Hedgehog 通路的功能获得而导致谱系进展严重中断，但针对其他受体可能会导致以更微妙的方式调整克隆组成。我们专注于躯干神经嵴，它一直被热议为是受限制祖细胞的混合群体，还是高度多能干细胞的群体 [39-42]。野生型胚胎的克隆变异分析显示 375
染色质结构可能在恶性疟原虫的全基因组分析中引入系统性偏差
摘要背景：人类疟原虫恶性疟原虫中异染色质的维持、调节和动态变化因其在互斥毒力基因表达和关键发育调节因子沉默中的调节作用而受到越来越多的关注。染色质免疫沉淀后测序 (ChIP-seq) 等全基因组分析的出现有助于了解染色质组成；然而，即使在模型生物中，ChIP-seq 实验也容易受到由潜在染色质结构引起的内在实验偏差的影响。方法：我们进行了一项对照 ChIP-seq 实验，重新分析了之前发表的 ChIP-seq 数据集，并比较了不同的分析方法，以表征恶性疟原虫全基因组分析的偏差。结果：我们发现用于 ChIP-seq 标准化的输入对照样本中的异染色质区域在整个恶性疟原虫基因组的测序覆盖率方面系统性地代表性不足。这种代表性不足，加上非特异性或低效的免疫沉淀，可能导致在这些区域识别出假富集和峰值。我们观察到，在特定和有效的 ChIP-seq 实验中，背景水平也会出现这种偏差。我们进一步报告了不同的读取映射方法如何扭曲高度相似的亚端粒区域和毒力基因家族中的测序覆盖率。为了改善这些问题，我们讨论了可用于表征真正的染色质相关蛋白的正交方法。结论：我们的结果强调了染色质结构对寄生虫全基因组分析的影响以及谨慎的必要性
印度洋表面淡水通量偏见对AMOC
使用概念模型（Cessi，1994; Cimatoribus等，2012）和完全占地的海洋气候模型（De Niet等，2007; Toom et al。，2012; Mulder等，2021）。这些研究的重要结果之一是（在这些模型中）的存在与可观察的数量有关（Rahmstorf，1996），现在通常称为AMOC稳定性（或制度）指标。该指标在文献中具有许多不同的符号，例如m ov（de Vries and Weber，2005）或F ov（Hawkins等，2011）。在这里，我们将遵循Weijer等人。（2019）并使用f ovs（f ovn）作为AMOC在大西洋盆地的35°S（60°N）的南部（北部）边界上携带的淡水运输（Dijkstra，2007; Huisman et al。，2010; Liu et al。，2017）。可用的观察结果（Bryden等，2011）表明，当今的AMOC将淡水从大西洋出口（F OVS <0）。众所周知，F ovs忽略了一些相关的过程（Gent，2018），但是如果人们接受f ovs是适当的指标，则AMOC基于其观察到的价值（Weijer等，2019）。
无免费午餐定理，kolmogorov的复杂性以及归纳偏见在机器学习中的作用
没有免费的午餐定理用于监督学习的情况，没有学习者可以解决所有问题，或者所有学习者在学习问题上的均匀分布上平均达到完全相同的精度。因此，这些定理通常被引用，以支持个人问题需要特别量身定制的电感偏见。几乎所有均匀采样的数据集具有很高的复杂性，但现实世界中的可能性不成比例地生成低复杂性数据，我们认为神经网络模型具有使用Kol-Mogorov复杂性正式化的相同偏好。值得注意的是，我们表明，为特定域而设计的Ar奇数（例如计算机视觉）可以在看似无关的域上压缩数据集。我们的实验表明，预先训练甚至随机初始化的语言模型更喜欢产生低复杂性序列。虽然没有免费的午餐定理似乎表明单个概率需要专业的学习者，但我们解释了通常需要进行人工干预的任务，例如当稀缺或大量数据可以自动化为单个学习算法时选择适当尺寸的模型。这些观察结果证明了通过越来越小的机器学习模型集合统一看似不同的问题的深入学习的趋势。
投资决策中的行为偏见：广泛的文献综述和未来研究的途径
在投资决策领域，行为偏见的影响已成为迷人的探索领域。本文踏上了一段全面的旅程，贯穿投资选择中行为偏见的景观，深入研究了它们对金融市场的深远影响。与假设合理性的传统金融理论相反，许多经验证据证明了认知和情感偏见的普遍影响。通过广泛的文献综述，本文阐明了关键偏见的复杂性，例如过度自信，损失厌恶，锚定，确认偏见，放牧行为，处置效应，框架效应和遗憾。通过检查这些偏见的不同方式扭曲了投资者的判断和决策过程，我们揭示了通常意外的偏离理性偏差。植根于人类心理学的每个偏见都会导致次优的投资行为，投资组合未对准和市场波动的提高。但是，认识到这些偏见的影响为变革性见解提供了机会。作为投资专业人士，政策制定者和个人都可以理解行为偏见，量身定制的干预措施，教育计划和适应性策略的微妙细微差别，以减轻其不良影响。本文不仅综合了盛行的研究，而且还为未来的调查绘制了课程。理解和解决行为偏见的含义超出了财务领域，提供了金融和心理学之间的桥梁。随着跨学科合作的增长，未来研究的途径变得显而易见，吸引学者们更深入地研究人类行为的未知领域及其与投资决策的复杂关系。通过探索这些偏见及其潜在的补救措施，本文阐明了在认知谬论与金融选择最合理的世界中，投资决策不断发展的景观。关键字：过度自信，放弃偏见，行为偏见，投资决策，书目分析，系统文献综述，内容分析
COVID-19 疫情期间使用的人工智能系统中偏见的伦理评估和缓解策略
摘要 本文的主要目的是反思为解决 COVID-19 大流行引起的问题而开发的人工智能 (AI) 系统所造成的偏见的影响，特别关注为分类和风险预测而开发的系统。第二个目的是回顾为防止人工智能系统出现偏见而开发的评估工具。此外，我们还对与此特定背景下的偏见相关的一些术语进行了概念性澄清。我们主要关注非种族偏见，现有文献中在处理人工智能系统中的偏见时可能较少考虑这些偏见。在论文中，我们发现用于 COVID-19 的人工智能系统中存在偏见可能导致算法正义，而为防止偏见出现而制定的法律框架和战略未能充分考虑健康的社会决定因素。最后，我们就如何纳入更多样化的专业人员资料提出了一些建议，以便开发能够增加认知多样性的人工智能系统，以应对 COVID-19 大流行期间及以后的人工智能偏见。