XiaoMi-AI文件搜索系统
World File Search System公平
引用：Owsley C、Matthies DS、McGwin G 等人。人工智能就绪和公平的 Dia 图集的横断面设计和协议
摘要 简介 人工智能为糖尿病洞察做好准备和公平 (AI-READI) 是一个关于 2 型糖尿病 (T2DM) 的数据收集项目，旨在促进广泛使用人工智能和机器学习 (AI/ML) 方法来研究健康发生 (从 T2DM 过渡到健康恢复力)。促进 T2DM 健康恢复力的根本原因是其在世界成年人口中的患病率高达 10.5%，并且是许多不良健康事件的贡献者。方法 AI-READI 是一项横断面研究，目标招募对象为 4000 名 40 岁及以上的人，按自我报告的种族/民族（亚裔、黑人、西班牙裔、白人）、2 型糖尿病（无糖尿病、糖尿病前期和生活方式控制的糖尿病、用口服药物或非胰岛素注射治疗的糖尿病和胰岛素控制的糖尿病）和生理性别（男性、女性）进行三重平衡（Clinicaltrials.org 批准号 STUDY00016228）。数据以多变量协议收集，包含 10 多个领域，包括生命体征、视网膜成像、心电图、认知功能、持续血糖监测、体力活动、家庭空气质量、收集血液和尿液进行实验室检测以及包括健康的社会决定因素在内的社会心理变量。研究地点有三个：阿拉巴马州伯明翰、加利福尼亚州圣地亚哥和华盛顿西雅图。伦理与传播 AI-READI 旨在为 AI/ML 目的建立数据收集、准备和共享的标准、最佳实践和指南，包括生物伦理学家的指导。遵循可查找、可访问、可互操作、可重复使用的原则，AI-READI 可被视为未来开发其他针对 AI/ML 的医疗/健康数据集的典范。AI-READI 为理解 2 型糖尿病健康机制的新见解打开了大门。AI-READI 联盟正在通过出版物传播设计和实施 AI-READI 数据集的原则和过程。鼓励下载和使用 AI-READI 数据的人在科学文献中发表他们的研究结果。
潮汐正在改变公平访问银行法律
在ESG与所谓的反唤醒法规与联邦/州先发制人之间的辩论的中心，公平访问银行法可能会在新总统管理局下复活。近年来，公平访问银行法的景观（现在也被称为“撤销”法律）与转变的政治气候一样快地发生了变化。联邦和州公平访问法律和法规是立法或监管措施，旨在确保金融机构在没有基于意识形态，政治或社会信念的歧视的情况下提供公平的服务访问权限。他们旨在防止银行和金融服务提供商根据其合法活动或可能被视为有争议或政治上敏感的属性的合法活动或隶属关系拒绝向个人或企业获得服务或产品的机会。批评家将这样的举措视为对金融体系中环境，社会和公司治理政策的攻击。 在没有联邦行动的情况下，某些州已经制定了自己的公平访问法，而其他州则建议今年。 随着特朗普政府和共和党对国会的控制，联邦一级的公平访问法规或立法是真正的可能性。 对于市场参与者及其董事会，了解这些法律涉及一方面的监管合规性和风险管理之间的复杂相互作用，以及另一方面对ESG的不断发展的期望。批评家将这样的举措视为对金融体系中环境，社会和公司治理政策的攻击。在没有联邦行动的情况下，某些州已经制定了自己的公平访问法，而其他州则建议今年。随着特朗普政府和共和党对国会的控制，联邦一级的公平访问法规或立法是真正的可能性。对于市场参与者及其董事会，了解这些法律涉及一方面的监管合规性和风险管理之间的复杂相互作用，以及另一方面对ESG的不断发展的期望。公平访问法律：最近的历史联邦级别：OCC在第一个特朗普政府下的货币审计长办公室处于联邦实施此类公平访问法规的努力的最前沿。
1页| 6高级政治峰会：行动公平 - ...1页| 6高级政治峰会：行动公平 - ...
加强区域合作：开发可行的框架，以解决预防癌症的不平等，早期检测和治疗跨不同医疗机构的治疗。促进创新：杠杆技术，例如AI，精密医学和转化研究，以改善诊断和治疗结果。动员资源：促进可持续融资机制和公私伙伴关系，以建立能力和规模癌症护理解决方案。赋予患者权力：中心患者和拥护者的声音，以确保道德和以患者为中心的创新推动医疗保健政策。正式化承诺：团结利益相关者，采用有关癌症护理的亚太宣言，加强了共同的责任和问责制。
朝着神经差异工人的包容和公平性...
残疾或感到自在。根据法律，员工有权确定有残疾或不识别残疾。但是，根据《 2010年平等法》，“残疾”的法律定义意味着神经化工人可以满足条件；并免受工作中的歧视。这是逐案。
用于疾病预测的公平机器学习模型
人工智能 (AI) 和机器学习 (ML) 为改善生活质量带来了巨大潜力。它还会产生重大的社会、文化和其他意想不到的风险。我们旨在从种族多元化的高收入国家的主要卫生专家的角度探索可应用于疾病预测 ML 模型的公平概念。2022 年 7 月至 12 月期间，对新西兰 (NZ) 卫生部门的主要专家进行了深入访谈。我们邀请的参与者是其族裔社区的主要领导人，包括毛利人 (土著)、太平洋岛民和亚洲人。访谈问卷包括六个部分：(1) 对医疗保健分配的现有态度；(2) 对全科医生 (GP) 级别所持有的数据的现有态度；(3) 疾病预测模型在 GP 级别可接受的数据；(4) 在部署这些模型时获得收益与产生不必要担忧之间的权衡；(5) 减少风险预测模型中的偏见；(6) 将社区共识纳入疾病预测模型以获得公平结果。研究表明，参与者一致认为，机器学习模型不应因数据偏差和算法不公平而造成或加剧医疗保健领域的不平等。对公平概念的探索表明，预测建模必须考虑精心选择的数据类型，而获取利益与产生不必要担忧之间的权衡产生了相互矛盾的意见。参与者对使用机器学习模型表示高度接受，但对不平等问题以及这些模型如何影响最脆弱的群体（如中年及以上的毛利人和生活在贫困社区的毛利人）表示深切担忧。我们的研究结果有助于开发考虑种族多元化社会社会影响的机器学习模型。
波士顿的人口健康公平议程
“长寿健康”是波士顿首个全市人口健康公平议程。我们的议程召集各部门的合作伙伴，共同解决波士顿过早死亡的三大主要原因：药物过量、可预防的癌症和心脏代谢疾病。该议程认识到，健康结果高度依赖于我们生活、工作和娱乐的社区条件。健康的社会决定因素，如经济流动性、住房和交通，对我们的总体预期寿命有重大影响。为了解决这些健康驱动因素，我们的解决方案必须由社区驱动；我们的数据必须及时且可操作；我们必须加强与公共和私营部门、社区、医院、卫生中心、投资者和倡导者的伙伴关系。
通过公平、包容和爱实现卓越
Lisa Hoyle - 校长 Michelle Ryan — 副校长 学校业务经理 Sharon Parker 特殊教育需求与残障协调员 Jess Collett 教师 Elizabeth Stansfield - Acorns/ Willow Michelle Ryan - Sycamore Jessica Collett—Elm Chris Charnley - Oak 辅助人员 Kelly Sheriff、Kathryn Hoyle、Ruth Shepherd、Nicki Briggs、Nic Manning、Suzanne Taylor- Calvert、Sophie Briggs、Carol Wilkinson、William Beier、Fulga Paduraru、Lucie Hall、Daniela Ippolito 清洁人员 Ann Frankland 午餐工作人员 Ann Frankland、Jay Culpan、Heidi Hirst、Suzanne Taylor- Calvert、Carol Wilkinson、Nic Manning、William Beier TREETOPS 全方位护理 Sophie Briggs、Collette McCleod、Suzanne Taylor-Calvert 站点经理 - Jay Culpan 校董 David Pegg（主席）克里斯汀·古德曼、伊恩·斯帕克斯、蕾切尔·佩吉、艾莉森·莱蒙、科莱特·麦克劳德、丽贝卡·霍尔曼、尼克·曼宁 书记员—哈文德·查加尔
补充信息：多求和器 - multi-responder Ultimatum游戏中的公平性
在此补充信息中，我们将证明并显示在手稿主要部分中使用的几个关键定理和观察结果。在下一节中，我们首先证明了两个与两个多求和器 - 多响应者Ultimatum游戏（MPMR UG）具有独特的进化稳定策略。我们还证明，在复制者的动力学下，人口组成的球员纳什均衡状态，稳定状态的人口扮演着派生的进化稳定策略，尽管在人群范围内。在“一般情况下”，我们将结果从两个和两个mpmr ug扩展到多个响应者和多个建议者的任意数量，并表明，在这种情况下，对于任何子游戏，也有一个独特的进化稳定策略（除了纯零报价外）。此外，我们证明，如果响应者在每个子游戏中扮演此ESS NASH均衡，那么在体面的NASH平衡建议中必须提出相同的优惠。
共享能源分配问题中的公平设计
本文研究如何在电力市场中聚合产消者（或大消费者）及其集体决策，重点关注公平性。公平性对于产消者参与聚合方案至关重要。一些产消者可能无法直接进入能源市场，即使这对他们有利。因此，新公司提出聚合他们并承诺公平对待他们。这导致了公平的资源分配问题。我们建议使用可接受性约束来保证每个产消者都能从聚合中获益。此外，我们的目标是公平地分配成本和收益，同时考虑到问题的多周期和不确定性。我们不是使用财务机制来调整公平问题，而是专注于决策问题中的各种目标和约束，通过设计实现公平。我们从一个简单的单周期和确定性模型开始，然后使用随机支配约束等将其推广到动态和随机设置。