XiaoMi-AI文件搜索系统
World File Search SystemPrincipal
微软首席应用与数据科学家
- 推动负责任的 ML 和包容性 AI 框架，以促进 Pinterest 生产系统中算法的公平性、多样性和包容性系统设计。 - 通过红队和持续测量和监控系统，领导严格评估 Pinterest 的 LLM 和其他 GenAI 模型的偏见、安全性和公平性。 - 提高所有用户组、内容部分和产品界面中生产规模 AI 系统的信任度和安全性。这项工作促成了多项成功的产品发布，赢得了用户参与度，在 ACM FAccT 2023 和 WISE 2023 上发表了研究论文，并在 NeurIPS 2022 上发表了教程。
2023-2027 年主要健康与福祉战略
我们承认并理解长者、父母、家庭和社区是他们孩子的第一位教育者，我们认可并重视原住民儿童带入课堂的文化和优势。原住民通过分享他们与国家、社区、语言和文化的联系，以及通过口述历史、故事和代代相传的生活经历，有着悠久的教学和学习传统。
主要项目沟通和参与顾问
坚定地专注于推动社会接受和支持，战略沟通和利益相关者参与局为这两个关键举措建立了社区支持的强大基础：氢工作计划和Bononython氢气枢纽。这些开创性的项目位于Whyalla地区，具有改变未来的巨大潜力，而该局则致力于通过培养社区的接受和热情来确保其成功。
Wouter Pelgrum 首席导航工程师
降低成本，增加访问量 • 第一级可重复使用≥ 25 次任务。 • 由七台 BE-4 发动机驱动 • 七米整流罩 2x 5 米级有效载荷 • 13 公吨到 GTO，45 公吨到 LEO • 在 95% 的天气条件下发射和着陆。
掩盖了判别性自我...
自我监督的表示学习（SSL）（Balesteriero等人，2023年）近年来已经成为表示学习的基石。诸如Openai剪辑之类的模型（Radford等人，2021）示例SSL方法如何产生适用于广泛下游任务的表达性表示。此范式依赖于配对的观测值（配对的视图或共享相同内容的方式）来提取有意义的特征。从广义上讲，SSL方法分为两类：歧视性和生成性（或基于重建）。歧视性SSL（Chen等人，2020年）旨在确保比随机采样观测值在潜在空间中更接近配对观测的表示。相反，基于重建的SSL（He等人，2022）涉及从其对中重建一个观察结果。在多视图设置中，数据增强技术（例如图像裁剪和颜色抖动）通常用于人为地创建单个单个观测值。在这些增强中，事实证明，图像裁剪特别有影响力，推动了视觉学习模型（例如Meta's Dino）（Caron等人，2021; Oquab等。，2023）和JEPA（Assran等人，2023）。最近的研究（Bizeul等人，2024）1表明，在图像域中，掩盖（概念上类似于裁剪），而不是单个图像像素可以生成图像对，从而促进基于重建的SSL中表达特征的学习。，2023）。在这个项目中，我们的目标是投资于将类似方法应用于歧视性SSL是否可以产生可比的好处，专门针对Dino，Jepa和Siglip（Zhai等人。
主要不利可持续性影响声明
根据SFDR，Mercer将表1中规定的强制性PAI指标嵌入了SFDR委托法规的附件I附件I（2022/1288）（“ SFDR 2级”）（“ SFDR 2”）中的投资尽职调查和持续的投资监控过程，以确保对默默尔筹集的初始和定期标识。此外，Mercer在2023年参考期间使用了两个附加指标来考虑PAIS； PAI 4：对没有降低碳计划的公司的投资，PAI 17：缺乏人权政策。这些PAI是从表2和表3中的指标列表中选择的，分别是附件I，SFDR 2级的级别，并考虑了Mercer的可持续性政策和管理政策中Mercer的内部优先事项和可持续性信念，并考虑了这些额外的PAIS的潜在严重性和可能性的可能性。