XiaoMi-AI文件搜索系统
World File Search System公平性
人类放弃奖励，为人工智能注入公平性
近年来，人工智能 (AI) 已成为我们日常生活中不可或缺的一部分，帮助我们做出决策。在这种交互过程中，AI 算法通常使用人类行为作为训练输入。因此，重要的是要了解人们在训练 AI 时是否会改变他们的行为，以及当训练对他们没有好处时他们是否会继续这样做。在这项工作中，我们在最后通牒游戏的背景下进行行为实验来回答这些问题。在我们的版本中，参与者被要求决定是否接受或拒绝其他人类参与者或 AI 提出的金钱分割提议。一些参与者被告知他们的选择将用于训练 AI，而其他参与者没有收到此信息。在第一个实验中，我们发现参与者愿意牺牲个人收入来训练 AI 变得公平，因为他们变得不太倾向于接受不公平的提议。第二个实验重复并扩展了这一发现，结果显示参与者有动力训练人工智能，即使他们将来永远不会遇到它。这些发现表明人类愿意付出成本来改变人工智能算法。此外，它们表明，人工智能训练过程中的人类行为不一定与基线偏好一致。这一观察结果对人工智能发展提出了挑战，表明人工智能算法在推荐选择时考虑其对行为的影响非常重要。
对 Deepfake 检测 AI 模型公平性的检验
最近的研究表明，深度学习模型可以根据种族和性别等受保护的类别进行区分。在这项工作中，我们评估了深度伪造数据集和检测模型在受保护子群体中的偏差。使用按种族和性别平衡的面部数据集，我们检查了三种流行的深度伪造检测器，发现不同种族之间的预测性能存在很大差异，不同子群体之间的错误率差异高达 10.7％。仔细观察就会发现，广泛使用的 FaceForensics++ 数据集绝大多数由白种人组成，其中大多数是白种人女性。我们对深度伪造的种族分布的调查显示，用于创建深度伪造作为正面训练信号的方法往往会产生“不规则”的面孔——当一个人的脸被换到另一个不同种族或性别的人身上时。这导致检测器学习到前景面孔和假象之间的虚假相关性。此外，当使用 Face X-Rays 的混合图像 (BI) 数据集对检测器进行训练时，我们发现这些检测器会对某些种族群体（主要是亚洲女性）产生系统性歧视。
推进加州能源效率领域的公平性
加州继续通过为专门的公平计划提供差异化的监管待遇，突破能源效率 (EE) 规划和设计的界限。这些计划优先将 EE 服务扩展到服务不足、难以覆盖和弱势社区，并且没有像资源获取计划那样的节能要求和特定的成本效益测试门槛。此外，由于高达 30% 的大型投资者拥有的公用事业和社区选择聚合器预算（更多用于区域能源网络）被划拨给专注于公平和 EE 行业基础设施（公平和市场支持）领域的计划，加州公用事业委员会对执行其环境和社会正义行动计划的承诺通过这些计划获得了切实的形式。本文将：
Fairlearn：评估和提高人工智能公平性的工具包
我们推出了 Fairlearn，这是一个开源工具包，它使数据科学家和开发人员能够评估和提高其 AI 系统的公平性。Fairlearn 有两个组件：交互式可视化仪表板和不公平缓解算法。这些组件旨在帮助在公平性和模型性能之间进行权衡。我们强调，在 AI 系统中优先考虑公平性是一项社会技术挑战。由于不公平的来源有很多种——有些是社会的，有些是技术的——因此不可能完全“消除”一个系统的偏见或保证公平性；目标是尽可能减轻与公平相关的危害。随着 Fairlearn 不断发展，包括更多的公平指标、不公平缓解算法和可视化功能，我们希望它能够由一个多元化的利益相关者社区塑造，从数据科学家、开发人员和业务决策者到生活可能受到 AI 系统预测影响的人们。
新冠肺炎疫苗公平性：元叙事综述
摘要 在 COVID-19 大流行的背景下，疫苗分配不公平的话题已被学术界、记者和政策制定者广泛讨论。然而，对疫苗公平性认知的研究尤其被忽视，导致对疫苗公平性缺乏普遍的理解。为了解决这个问题，我们根据现实主义和元叙事证据综合：不断发展的标准 (RAMESES) 出版标准对 COVID-19 疫苗公平性进行了元叙事审查。该审查包括 2020 年 1 月至 2021 年 9 月期间发表的文章。它旨在 (1) 确定考虑过这个主题的研究传统并研究它是如何概念化的；(2) 探讨不同研究小组对疫苗公平概念的理解可能存在的差异；(3) 调查作者提出如何实现疫苗公平性建议的角度。确定、背景化并讨论了来自不同研究传统的文献中的五个元叙事：疫苗分配框架和机制、全球卫生法、疫苗民族主义、伦理道德和修复性正义。我们的研究结果表明，需要对现有的全球 COVID-19 分配框架进行比较审查，重点是阐明对疫苗公平性的理解。COVID-19 不会是世界面临的最后一次健康危机。学术文献中的异质性是概念辩论和合法化方式的一部分，但为了全球公共卫生政策制定的利益，最好就公平开发、生产、分配和研究的进展达成共识。
促进 COVID‐19 疫苗公平性的策略......
三个类别：（a）解决不信任问题，（b）打击错误信息，（c）改善 COVID-19 疫苗的可及性。在努力减少犹豫时，重要的是要考虑信息内容、信使和位置。为了解决不信任问题，报告详细说明了通过可信渠道进行沟通的重要性，验证人们可能犹豫不决建立共同点的真实、历史和经验原因，以及解决医疗保健系统中根深蒂固的种族主义。为了打击错误信息，策略包括通过市政厅和文化智能外展消除谣言和回答问题。黑人医生和临床医生被认为是值得信赖的信息传递者，与牧师等社区领袖合作可以帮助接触更多人。疫苗接种点的设置应方便且值得信赖，例如
社会经济综合模型中的效率和公平性
❚❤✐S♣♣❛❛✐❛✐ t❤❡❡❝♦♥♦♠✐❝ ♦❢S♦♥T❡R❛❝T✐♦♥♥S✳❙❡❝♦♥❞✱✐T❡①❛♠✐♥♥t❤❡❝♦♥❞✐T✐♦♥S❢♦R♥❣♥❣♥ ❡✣❝✐❡♥❝②❛♥❞❡q✉✐t②✐♥s✉❝❤❛❜r♦❛❞✏S♦♦♦♥♦♥♦♠②♠♦♥❞❝♥♠♦取批次♦♠ ❡✣❝✐❡♥聚♥♥t❤❡st❛♥❞❛♥♥♥❡R❛❧❡Q✉✐❧✐❜R✐✉Q✉✐❧✐❜r✐✉♠♠♦♦♦♦♥T❤❡❡❝♦♥♥♦♥♦♥♠■ s♦♠♦❢T❤❡♠♦StS✐❣♥✐✜❝❛♥T♦ST♦♠♠R❣❡❞❢R❣❡❞❢R♦♠T❤❡❞✐S❝✐S❝✐S❝✐♥❧✐♥❡♦♦♥♦♥♦♥♦？♥wimsst ❢✉♥❞❛♥T❛❧T❤❡♦r❡♠S♦♦♥♦♥♦♠✐❝S✮✱S✮✱T❤❡R♦❧❡♦❢♦❢❛❛♥✐♥❝♦♦♦♦r❞✐♥♥❛♥❛♥♥♥♦♥♦♥♦♥♦♠♠t✐✈✐t✐✈✐t✐✈✐t✐✈✐t✐✈✐t✐✈✐t✐✈✐t✐✈✐t✐✈✐t✐✈✐t✐✈✐ t❤❡r❡❧❛t✐♦♥❜❡♥♥❡✣❝✐❡♥❝②❛♥❞❡×t②✱t❤❡✇❡❧❢❛r❡❡✛❡❝ts♦❢♣R♦✜T✲T✲♠❛①✐♠♠♦♥♥❛♥❛♥❞♥❞♥T❡R❡Str❡st❡T❡t❡t❡t❡t❡t❡t❡t❡t✐❧✐t✐❧✐t✐❧✐t✐❧✐t✐❧✐t✐❧✐t✐❧✐t✐❧✐t✐❧✐t✐❧✐t✐❧✐t✐❧✐t✐❧✐t✐❧✐t✐❧✐t✐❧✐t✐❧✐t✐❧✐t✐❧✐T✐❧✐T✐❧✐T✐❧✐T✐❧✐T✐❧✐T✐❧✐T✐❧✐T✐❧✐T✐❧✐T✐❧✐T✐❧✐T✐❧✐T✐❧✐T✐❧✐② ♦❢r❡❞✐str✐❜✉t✐♦♥✱T❤❡S♦✉R❝❡S♦❢♠❛r❦❡t❞✐S❝S❝S❝S❝S❝S❝S❝M✐♥❛♦♥♥✱❛♥❞♥❞♥❞T❤❡❡①♦♦✐T❛t❛t❛t❛t❛♦♥♥♦♥♦❢ ❢R♦♠Tr❛❞❡✳❚❤❡S❡✐S❡✐S❡✐S❡✐S❡✐T✐♦♥S❝♦♥ST✐T✉T❡❛T❡❛♥✐♥✐♥RT❛♥T♥T♠♦T✐✈❛T✐♦♥♥R♦R♦R♦r♦r♦✉RS♦✉
多样性、公平性、包容性和可及性战略计划
对多样性、公平和包容的承诺深深植根于信用合作社体系和国家信用合作社管理局。对于熟悉美国信用合作社运动历史的人来说，这一承诺并不令人意外。自一个多世纪前成立以来，全国各地的信用合作社一直致力于为其成员建立更安全、更光明的金融未来。通常，来自资源不足和边缘化社区的人们聚集在一起，通过汇集有限的资源来创建满足其独特金融需求的金融机构，从而组建信用合作社。今天，这种多样性、公平和包容的传统仍然是该体系的指导力量。十分之一的联邦保险信用合作社是少数族裔存款机构。而且，尽管这些机构的平均资产略高于 1 亿美元，但作为一个整体，它们的平均资产回报率通常与资产超过 10 亿美元的最大信用合作社相当。此外，在过去一年中，十分之一的联邦保险信用合作社提交了对自愿信用合作社多样性自我评估的回复。近年来，各种类型和规模的信用合作社也越来越认识到多元化、公平和包容的商业主张。信奉这些原则的信用合作社更有可能获得更好的收益、更高的消费者忠诚度和更高效的员工队伍。这些积极的业务成果反过来又会增强信用合作社的业绩。同样，NCUA 寻求从广泛的人才和观点中汲取力量，以创造一个多元化和包容的环境，让我们的每一位员工都有潜力充分利用机会、推动创新，进而打造一个更强大的机构。此外，通过 NCUA 现在每年举办的全行业多元化、公平和包容峰会、社区发展循环贷款基金的赠款和贷款以及对少数族裔存款机构的指导和支持计划等举措，NCUA 不仅在机构内部，而且在整个信用合作社系统中推进多元化、公平和包容。在多元化、公平和包容方面，NCUA 还必须以身作则。为此，该战略计划概述了该机构在劳动力多样性、员工包容性、工作场所解决方案、供应商多样性以及
开创验证 AI 模型公平性的新方法
该框架（本质上是一对算法）应用于模型的训练阶段，即模型从训练数据中“学习”时。这避免了与已经训练过的审计模型相关的潜在问题，例如审计员使用不代表训练数据的数据集来测试模型。该框架也是完全保密的：公司不需要向审计员透露其模型或训练数据，从而保护其知识产权。这是通过一种称为“零知识证明”的加密技术实现的，该技术允许一方在不透露数据的情况下证明有关其数据的陈述。