XiaoMi-AI文件搜索系统
World File Search System公平性
兼顾零售群体与公平性的双渠道二级闭环供应链
零售集团的崛起增强了其在供应链中的话语权，供应链成员更加关注利润公平问题。为探究零售集团形成后公平关切对闭环供应链运营决策的影响，本文首先构建一个由零售集团主导、制造商跟进的二级双渠道闭环供应链，然后分别在公平中立（FN）、零售集团公平关切（FR）和制造商公平关切（FM）三种情景下构建相应的博弈模型，最后对博弈模型进行求解分析。结果表明，制造商通过调整批发价格更容易满足其公平诉求。此外，我们发现公平关切并不能提高旧产品的回收率和再制造的绿色度。对于零售集团而言，公平关切会损害其利润，但适当的公平关切有助于其零售业务的盈利增长。有趣的是，制造商的公平关切并不影响供应链系统的总盈利能力，但零售集团的公平关切却影响总盈利能力。本文识别了闭环供应链中零售集团的经营范围和权力结构的双重变化，并分析了这些变化引发的公平关切，从而为企业的运营决策提供新的建议。
DAF-多样性-公平性-包容性-可访问性-战略计划...
目标 4.1：增加并加强常规外部参与力度，以尽早并经常地吸引代表性不足的群体 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 10
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。
算法管理中的公平性：带来平台 - ...
数字劳动平台上的摘要，算法执行一系列决定，包括工作作业，绩效评估等。尽管算法决策是平台工作的关键特征，但我们对人们如何看待算法做出的决策（尤其是在其过程和结果的公平性方面）的理解仍然不足。这种看法对工作满意度和感知到的组织支持（POS）的影响仍在探索中，一些学者挑战了瞬态平台工人之间的POS可能性。在本文中，我们探讨了在算法管理的范式背景下运行的算法的感知过程和分布公平性的影响，即Uber。利用组织正义理论以及对435个Uber驱动因素的调查，我们不仅发现独立的平台工作人员可以体验POS，而且管理算法的公平性（尤其是他们的结果）可以在刺激此类看法中发挥关键作用。
神经放射学使用人工智能进行伦理考虑和公平性
摘要：在本综述中，算法偏见和公平性的概念得到了定性和数学上的定义。给出了算法开发中出现意外偏见或不公平时可能出现的问题的说明性示例。讨论了可解释性、可问责性和透明度对于人工智能算法开发和临床部署的重要性。这些都基于“primum no nocere”（首先，不伤害）的概念。提供了减轻任务定义、数据收集、模型定义、训练、测试、部署和反馈中的不公平和偏见的步骤。将讨论如何实施公平标准，最大限度地提高利益，最大限度地减少对神经放射学患者的不公平和伤害，包括为神经放射学家提供建议，因为人工智能算法在神经放射学实践中获得认可并纳入常规临床工作流程。
人工智能的公平性：影响与机遇
Leesa Soulodre 是 R3i Ventures 和 R3i Capital 的普通合伙人，R3i Capital 是一家专注于创新咨询和 AI 的风险投资基金，业务遍及美国、欧洲和亚太地区。Leesa 已为 19 个行业的 400 多家跨国公司和众多初创企业提供服务。她为全球最大的公司实现了 50 多个技术驱动的全球声誉项目，并为 200 多家金融机构提供了数据驱动的负责任投资战略。她是 SMU Cox 商学院的创业和复杂问题解决临床教授，也是 IE 商学院、卢森堡商学院和新加坡管理大学的兼职教授。
可再生能源项目中的社区参与和公平性：文献评论
有关如何从化石燃料过渡到可再生能源的问题以及要进行哪种可再生能源项目充满争议（Boudet 2019； Devine -Wright 2005）。新的能源项目也可以提示反对派，即使他们的支持者与公众和受影响的社区互动（Boudet 2019； Devine-Wright 2005； Devine-Wright和Devine-Wright和Devine-Wright 2009）。例子包括公众对核能，风能的反对以及对安全，隐私，噪音以及潜在的健康和社会经济影响的担忧，因此对生物能源基础设施的选址（Boudet 2019; Devine-Wright 2005; Devine-Wright; Devine-Wright and Devine-Wright and Devine-Wright and Devine-Wright and Devine-Wright 2009）。因此，许多学者和从业人员呼吁对参与和参与决策过程的挑战和机会有细微的理解。
指令26：就业策略的公平和公平性
•就业策略的公平和公平符合部指令的要求26。•总体全面策略将遵循里程碑方法，重点关注招聘过程，政策和程序更新，遵循就业系统审查的建议以及从工作场所人口普查中获得的学习。•该策略是全面的，遵循学生驱动的，能力和基于证据的方法。•工作场所权益将使用高质量的数据来了解推动不平等的因素，并能够针对行动以实现最有效的结果。背景：Peel地区学校董事会以及最近三年的最近，致力于在2020年3月发布的部指令之后在董事会上解决系统性歧视。董事会要解决的结论指令是指令26，该指令要求董事会在ESR和劳动力人口普查的结论和发现后，在就业战略中建立公平和公平性。指令26个状态：
促进未来电力行业劳动力的包容性、多样性、公平性和可及性：活动报告
加拿大自然资源部 (NRCan) 能源研究与开发办公室 (OERD) 致力于在我们的项目和内部运营中推进 IDEA 和协调工作。OERD 认识到我们在项目中与之合作的许多组织将处于不同的实施阶段。诸如“促进未来电力行业劳动力包容性、多样性、公平性和可及性”活动等活动促进了我们项目资助的项目之间的对话、学习和分享经验教训。
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。