XiaoMi-AI文件搜索系统
World File Search System公平
在绿色经济中促进社会公平
冰川融化将对海平面产生影响，加剧海岸侵蚀，此外，这种现象还会导致飓风和台风等沿海风暴更加频繁和强烈。沿海地区洪水泛滥程度的增加将导致盐水与地表水和地下水发生碰撞，对饮用水、灌溉和农业构成明显威胁。所有这些现象都将对沿海地区和城市产生有害影响，从而影响当地居民的生活。根据《联合国气候变化框架公约》的估计，超过 6 亿人（约占世界人口的 10%）生活在海拔不到 10 米的沿海地区，全球约 60% 的人口超过 500 万的城市位于海岸线 100 公里以内。
支付公平计划和薪酬理念工作表
改变故事VT（CTS）是佛蒙特州妇女基金，佛蒙特州妇女委员会和佛蒙特州妇女工作的伙伴关系计划，致力于促进妇女的经济安全。您可以在www.changethestoryvt.org
多模态人工智能中的偏见：公平自动招聘的试验台
决策算法在社会中的存在感如今正在迅速增加，同时人们也开始担心其透明度以及这些算法可能成为新的歧视来源。事实上，许多相关的自动化系统已被证明会根据敏感信息做出决策或歧视某些社会群体（例如，某些用于人员识别的生物特征识别系统）。为了研究当前基于异构信息源的多模态算法如何受到数据中的敏感元素和内部偏见的影响，我们提出了一个虚构的自动招聘测试平台：FairCVtest。我们使用一组有意识地以性别和种族偏见进行评分的多模态合成档案来训练自动招聘算法。FairCVtest 展示了此类招聘工具背后的人工智能（AI）从非结构化数据中提取敏感信息并以不良（不公平）的方式将其与数据偏见结合起来的能力。最后，我们列出了最近开发能够从深度学习架构的决策过程中删除敏感信息的技术的列表。我们使用其中一种算法（SensitiveNets）来实验歧视感知学习，以消除我们多模态 AI 框架中的敏感信息。我们的方法和结果展示了如何生成更公平的基于 AI 的工具，特别是更公平的自动招聘系统。
阿肯色州电力合作社-公平竞争
塞拉俱乐部委托对清洁能源组合进行独立评估，该组合可以在独立和白崖发电站退役后满足 AECC 的可靠性和能源需求。该分析使用 GenX，这是麻省理工学院和普林斯顿大学的研究人员开发的开源电力系统评估模型，用于评估能源系统如何整合可再生能源、存储和其他技术。该模型可用于评估可再生能源和存储的组合如何满足电力公司的每小时需求。在本例中，该模型用于评估 AECC 的系统。我们的评估保守地假设 AECC 没有机会与 MISO 和 SPP 中的区域电力和容量市场互动，尽管它定期这样做。我们还将 AECC 的 MISO 和 SPP 部门之间的互动限制在仅 275 兆瓦的传输容量，反映了 AECC 对 SPP 需求的预测，该需求与 MISO“伪绑定”。这些保守假设的价值在于，该模型被迫构建替代投资组合，就好像 AECC 完全独立于市场，其系统中的 SPP 和 MISO 部分之间的互动有限，而这种立场通常需要更高的成本。我们的理由是，如果我们能够证明 AECC 可以构建一个独立于市场的具有成本效益的投资组合，那么任何共享的市场资源只会使投资组合更便宜。
XAI 的符号 AI：评估 LFIT 归纳编程以实现公平且可解释的自动招聘
机器学习方法在生物识别和个人信息处理（例如法医、电子医疗、招聘和电子学习）领域的重要性日益增加。在这些领域，基于机器学习方法构建的系统的白盒（人类可读）解释可能变得至关重要。归纳逻辑编程 (ILP) 是符号 AI 的一个子领域，旨在自动学习有关数据处理的声明性理论。从解释转换中学习 (LFIT) 是一种 ILP 技术，可以学习与给定黑盒系统等同的命题逻辑理论（在特定条件下）。本研究通过检查 LFIT 在特定 AI 应用场景中的可行性，迈出了将准确的声明性解释纳入经典机器学习的通用方法的第一步：基于使用机器学习方法生成的自动工具进行公平招聘，用于对包含软生物特征信息（性别和种族）的简历进行排名。我们展示了 LFIT 对这个特定问题的表达能力，并提出了一个可应用于其他领域的方案。
DSCI-531 人工智能公平性课程大纲
● HW1：研究过程中的道德规范 - 这项作业将向学生介绍开展公平和道德研究的概念。重点将放在对 IRB 本质的历史理解上。学生将完成 CITI 人类受试者研究培训作为其作业的一部分。● HW2：数据和预测中的偏见 - 学生将学习将基本的数据挖掘技术应用于数据。学生将设计和对大型数据集进行统计测试。这些测试将围绕公平概念以及如何利用技术来识别不公平进行设计。● HW3：NLP 中的偏见 - 学生将学习命名实体识别中的性别偏见。解决这项作业需要基本的自然语言处理技术，包括基于转换器的语言模型，如 BERT。● HW4：网络中的偏见——在这项作业中，学生将学习和应用基本的网络技术来发现网络中的性别偏见。女性在网络中的代表性是更多还是更少？她们是否倾向于占据比男性更高或更低的中心位置？注意：在书面和编程作业中，描述和分析的完整性和清晰度与最终的正确答案一样重要。仅发送单个最终值（即使正确）是不够的。请参阅下表：
机器学习工程中公平意识实践的目录
摘要 - 机器学习在决策过程中的广泛采用引起了人们对公平性的担忧，尤其是对敏感特征和对少数群体的潜在歧视的治疗。软件工程社区的反应是开发面向公平的指标，经验研究和方法。但是，在整个机器学习生命周期中，理解和分类工程公平的做法仍然存在差距。本文介绍了一种新颖的实践目录，以解决从系统的映射研究中得出的机器学习中的公平性。该研究确定并分类了现有文献中的28种实践，将它们映射到机器学习生命周期的不同阶段。从该目录中，作者提取了可操作的项目及其对软件工程研究人员和从业者的影响。这项工作旨在提供全面的资源，以将公平考虑因素整合到机器学习系统的开发和部署，增强其可靠性，问责制和信誉。
迈向数字公平行为？发纸
委员会对这个问题的回答是一个明显的“是，但是……”。得出的结论是，这三个指令提供了必要的监管确定性和消费者信任的最低限度，但可以将它们视为仅在数字环境中部分有效。5特别是，它确定了各种持续关注的问题，例如广告和合同前信息的透明度；与指令中没有具体规定的新兴技术和实践相关的问题；监管分裂，破坏了数字单市场；增加了针对消费者保护问题的更广泛的数字特定立法产生的监管复杂性；以及与不足，无效的执法和法律不确定性有关的更多一般性问题。
多国收入/特许经营税新墨西哥州颁布公平的公司所得税率和税款，范围F f所得税警报
•H.B.252消除了适用于500,000美元以下的收入的较低的4.8％的公司所得税率，所有收入组的统一率为5.9％，于2025年1月1日生效。•H.B.252扩大该州的公司所得税基础，包括f子部分收入在2025年1月1日生效。•该立法还缩小了从水边缘申请小组中排除的所有公司，这些公司的财产，薪资和销售额不到其20％的财产，薪资和销售，这些公司属于美国境内或在美国以外的公司或其财产或领土内有组织或成立的公司，而该公司或其物业，薪资少于销售，销售境内的公司，境内销售范围不到销售，销售境地，境内销售境地，境地销售境地销售境地。•立法消除了从事某些发电的纳税人的单个销售要素分配规则的日期日期，从而使他们能够永久按单个销售要素选择分配业务收入。•H.B.252扩大了某些现有的税收抵免，并创建了与地热耦合热泵，地热电发电单元，电动汽车和电动汽车充电单元有关的几个新税收抵免。
多元化、公平和包容性战略规划 五年战略目标、措施和 2021 财年行动
我们保卫世界上最伟大的国家——一个建立在为所有人提供机会的承诺之上的民主国家。这个国家的人口结构与我们生活的环境相似——不断变化——国防部必须做出改变，以维持和维持其未来的力量。只要我们真正代表了我们的民主，我们就是一支更强大、更有意义的力量。国防部将多样性视为一项战略要务。不同的背景和经历带来了本质上不同的观点和思维方式，这是组织创新的关键。我们通过利用所有成员的多样性并创造一个包容性的环境来获得战略优势，在这个环境中，每个成员都受到重视并被鼓励提供对创新、优化和组织任务成功至关重要的想法。