XiaoMi-AI文件搜索系统
World File Search Systemhmi
使用机器学习阐明个人有节奏的能力
人类可以轻松地提取像音乐这样的复杂声音的节奏，并像舞蹈一样进行定期节拍。这些能力是通过音乐训练调节的，未经训练的人有很大差异。这种变异性的原因是多维的，通常在单个任务中很难掌握。到目前为止，我们缺乏一个综合模型，无法捕捉音乐家和非音乐家的节奏指纹。在这里，我们利用机器学习，基于有和没有正式音乐训练的人的行为测试（带有感知和运动任务）来提取节奏能力模型（n = 79）。我们证明，有节奏能力的变异性及其与正式和非正式音乐经验的联系可以通过包括最小的行为措施（包括最少的行为措施）成功捕获。这些发现强调了机器学习技术可以成功地用于提炼节奏能力，并最终阐明了个人的可变性及其与正式音乐训练和非正式音乐经验的关系。
通过（浪费）反事实算法公平...
统计歧视（例如，参见Baldus和Cole，1980年）：根据群体级统计平均值而不是其个体特征，对个人进行了不同的对待。它们不是源于偏见或偏见，而是由于依赖不完美信息并将小组成员身份作为单个特征的代理而产生的。某些形式的歧视被认为是不可接受的（Hellman，2008）。Fisher（1936）：根据测量特征将观测值分开或分类为不同的组。在这种情况下，歧视纯粹是一个统计操作，没有社会偏见或不平等的含义。但是，统计歧视可能导致：
使用密码学提高算法效率
加密原始图已用于各种非晶体目标，例如消除或降低随机性和相互作用。我们展示了如何使用密码学来改善解决计算问题的时间复杂性。特别是，我们表明，在标准的加密假设下，我们可以在保持正确性的同时设计比现有算法更快的算法。作为混凝土演示，我们构建了具有以下属性的陷阱矩阵的分布：（a）计算有限的对手无法将随机矩阵与从此分布中绘制的一个分布区分出一个随机矩阵，并且（b）给出了一个秘密键，我们可以将n×n matrix与接近近距离的矢量相乘。我们提供了过度有限的领域和真实的结构。这可以实现广泛的加速技术：任何依赖于随机矩阵的算法（例如那些使用降低维度降低的概念）的算法，可以用我们的分布中的矩阵代替它，从而实现计算加速，同时保持正确性。
潜入公平池：算法公平，合奏预测和人群的智慧
算法在我们的私人和公共生活中扮演着许多重要角色。他们产生搜索引擎结果，在社交媒体上组织新闻源，并确定有希望的浪漫伴侣。他们为司法，贷款，社会福利和大学录取决定提供了信息。他们还提出了紧迫和烦恼的道德挑战。例如，美国刑事司法系统中使用的一些算法预测个人是否会累进。著名的是，已经发现这种算法表现出明显的种族和性别偏见，例如将黑人非累犯者评级为比白人非养育者更喜欢重新审判（Angwin等人（Angwin等），2016a，b）。在某种程度上对这种发现的反应中，算法公平的研究在计算机科学，哲学和其他领域中扮演着重要的作用。从这些研究中得出的理论上有趣且在道德上显着发现的是，实施明智的公平概念可以兑现，以付出代价（Corbett-Davies et al。，2017年； Menon和Williamson，2018年； Kearns and Roth，2019年）。
哈耶克与施密特论经济的“非政治化”
建议引用：Nentiedt，Daniel (2022)：哈耶克和施密特论经济的“去政治化”，CHOPE 工作论文，第 2022-15 号，杜克大学政治经济史中心 (CHOPE)，北卡罗来纳州达勒姆，https://doi.org/10.2139/ssrn.4314135
对听觉节律刺激的持续性皮质振荡反应的频率选择性
有人提出，皮质振荡通过神经同步机制在语音和音乐感知、注意力选择和工作记忆中发挥功能性作用。神经同步的一个常被忽视的特性是，它对持续振荡的调节作用比节奏刺激更持久。我们通过在被动感知范式中研究旋律刺激期间和之后皮质神经振荡来测试这种现象的存在。旋律由嵌入在 2.5 Hz 流中的 60 和 80 Hz 音调组成。通过对男性和女性的颅内和体表记录，我们发现，在响应音调时，整个皮质（远远超出了听觉区域）的高 c 波段都出现了持续的振荡活动。相比之下，在响应 2.5 Hz 流时，未观察到任何频带的持续活动。我们进一步表明，我们的数据可以通过阻尼谐振子模型很好地捕获，并且可以分为三类神经动力学，具有不同的阻尼特性和特征频率。该模型为人类皮层中听觉神经同步的频率选择性提供了机械和定量解释。
生物技术中的道德和AI：导航数据隐私和算法偏见。
人工智能（AI）正在彻底改变生物技术，为促进医疗保健，农业，药物开发等提供巨大的潜力。但是，生物技术中AI的广泛采用引起了重大的道德问题，特别是关于数据隐私和算法偏见。生物学和遗传数据的敏感性意味着围绕该信息收集，处理和保护的问题至关重要。此外，有偏见的AI系统在医疗保健和研究成果中永久性不平等的潜力需要仔细考虑。本文深入研究了这些道德挑战，强调了解决这些挑战的重要性，以确保生物技术中负责的AI集成[1]。
来自低度猜想的算法连续性和相关的随机图中的应用
图形匹配，也称为网络对齐，是识别两个图表之间的双向反射，从而最大程度地提高了公共边数的数量。当两个图彼此完全同构时，此问题将减少到经典的图形同构问题，其中最著名的算法在准杂音时间时间中运行[1]。通常，图形匹配是二次分配问题[7]的实例，该实例已知可以解决甚至近似[38]。是由现实世界应用（例如社交网络去匿名化[45]和计算生物学[51]）以及了解平均计算复杂性的需求，最近的研究集中在统计模型下的理论基础和有效的算法。这些模型假设这两个图是在隐藏的顶点对应关系下随机生成的，其中有相关的边缘，其中规范模型是以下相关的随机图模型。对于任何整数n，用u = u n表示为1≤i=j≤n的无序对（i，j）集。
代理AI：扩展Creative ...
代理人人工智能（AI）系统可以自主追求长期目标，做出决策并执行复杂的多转弯工作流程。与传统的生成AI不同，该AI反应提示，代理AI主动协调过程，例如自主管理复杂的任务或做出实时决策。从咨询角色转变为积极执行的挑战，确定了法律，经济和创造性的框架。在本文中，我们探讨了三个相互关联的领域的挑战：创造力和知识产权，法律和道德考虑以及竞争影响。我们分析的核心是AI生成的创意产出中的新颖性和有用性之间的张力，以及AI自治引起的知识产权和作者挑战。我们重点介绍了责任归因和责任的差距，这些差距和责任造成了“道德脆弱区”，即在多个参与者之间扩散问责制的条件，使最终用户和开发商处于不稳定的法律和道德立场。我们研究了两面算法市场的竞争动力，在该市场中，卖方和买家都部署了AI代理，可能会减轻或放大默认合谋风险。我们探索了在代理AI网络（“算法社会”的发展）内发生紧急自我调节的潜力 - 提出了关键问题：这些规范在多大程度上与社会价值观保持一致？可能会产生什么意外后果？如何确保透明度和问责制？应对这些挑战将需要跨学科的合作来重新定义法律责任制，将AI驱动的选择与利益相关者价值观保持一致，并保持道德保障。我们主张平衡自治与问责制的框架，确保各方都能在保留信任，公平和社会福利的同时利用代理AI的潜力。
代理AI：扩展Creative ...
代理人人工智能（AI）系统可以自主追求长期目标，做出决策并执行复杂的多转弯工作流程。与传统的生成AI不同，该AI反应提示，代理AI主动协调过程，例如自主管理复杂的任务或做出实时决策。从咨询角色转变为积极执行的挑战，确定了法律，经济和创造性的框架。在本文中，我们探讨了三个相互关联的领域的挑战：创造力和知识产权，法律和道德考虑以及竞争影响。我们分析的核心是AI生成的创意产出中的新颖性和有用性之间的张力，以及AI自治引起的知识产权和作者挑战。我们重点介绍了责任归因和责任的差距，这些差距和责任造成了“道德脆弱区”，即在多个参与者之间扩散问责制的条件，使最终用户和开发商处于不稳定的法律和道德立场。我们研究了两面算法市场的竞争动力，在该市场中，卖方和买家都部署了AI代理，可能会减轻或放大默认合谋风险。我们探索了在代理AI网络（“算法社会”的发展）内发生紧急自我调节的潜力 - 提出了关键问题：这些规范在多大程度上与社会价值观保持一致？可能会产生什么意外后果？如何确保透明度和问责制？应对这些挑战将需要跨学科的合作来重新定义法律责任制，将AI驱动的选择与利益相关者价值观保持一致，并保持道德保障。我们主张平衡自治与问责制的框架，确保各方都能在保留信任，公平和社会福利的同时利用代理AI的潜力。