XiaoMi-AI文件搜索系统
World File Search System歧视性
通过表面增强拉曼光谱的去甲肾上腺素和肾上腺素的歧视性和定量分析，用金纳米颗粒悬浮液
Antoine Dowek，Marion Berge，Patrice Prognon，François-Xavier Legrand，Eric Larquet，Eric Larquet等。通过表面增强红色纳米粒子悬架的Raman光谱，对去甲肾上腺素和肾上腺素进行了分解和定量分析。分析和生物分析化学，2021，414（2），pp.1163-1176。10.1007/S00216-021-03743-4。hal-04664781
歧视性和一致表示蒸馏
知识蒸馏（KD）旨在将知识从大型教师模型转移到较小的学生模型。虽然对比学习通过创建歧视性表示表现出了在自我监督学习中的希望，但其在知识蒸馏中的信息仍然有限，并且主要涉及歧视，忽略了教师模型捕获的结构关系。为了解决这一限制，我们提出了d Iscriminative and C On Consistent d Istillation（DCD），它采用了对比损失以及一致性正规化，以最大程度地减少教师和学生代表分布之间的差异。我们的方法引入了在训练过程中适应这些互补目标的可学习温度和偏置参数，以取代对比度学习方法中常用的固定超平衡器。通过CIFAR-100和Imagenet ILSVRC-2012的广泛实验，我们证明DCD实现了状态的表现，学生模型有时会超过教师的准确性。此外，我们表明DCD的所学表示形式将转移到小型成像网和STL-10 1时表现出较高的跨数据集泛化。
可再生能源的歧视性拍卖设计
负担得起的可再生能源是世界各地经济体经济体本身以及通过行业耦合间接脱碳的基石（Brown等，2018，Hansen等，2019）。尽管可再生能源与化石燃料的电力来源达到了成本均衡（Kost等人，2021年），但他们继续需要针对化石燃料市场价格的贬低，以维持低融资成本并增加部署量以满足气候目标。这种投资的贬低通常是通过监管机构拍卖的长期合同来完成的（DelRío和Kiefer，2021年）。此类拍卖被认为是为公共长期合同分配可再生能源的有效工具，因为它们将成本效率和市场整合归为基础。此外，它们应该减少调节器和竞标者之间的信息不对称性（Bruttel等，2016）。在这些拍卖中，将电力消费者的成本降至最低是政府的重要目标，因为消费者的电力成本会影响经济各个部门的过渡成本。尤其如此，因为能源成本是回归性的（Haan和Simmler，2018年），欧洲可再生能源支持的年度成本超过400亿欧元（Busch等，2023），而2022年能源危机表明，高能源价格的政治争议（Fabra，2023）。
避免歧视性地使用人工智能
避免歧视性地使用人工智能 美国教育部 (Department's) 民权办公室 (OCR) 提供此资源，以帮助学校社区确保人工智能 (AI) 在全国中小学和高等教育机构中以符合联邦民权法的非歧视性方式使用。i 在本资源中，AI 是指基于机器的系统，该系统可以针对给定的一组人类定义的目标，做出影响真实或虚拟环境的预测、建议或决策。ii 人工智能技术有可能为所有学生增加机会并提高教育公平性。与此同时，人工智能在学校中的使用越来越多，包括出于教学和学校安全目的，以及人工智能大规模运行的能力可能会造成或加剧歧视。
1利用较少的歧视性替代性（LDA）模型...
2024年8月1。简介金融机构长期以来一直处于核心业务运营技术的最前沿，人工智能（AI）也没有什么不同。例如，算法已在承保和交易中使用了数十年。但是，AI的最新进展，尤其是机器学习（ML），代表了改变游戏规则的进步。这些新模型自行学习和调整的能力，再加上增强计算能力的可用性，为高级分析打开了利用替代和非结构化数据的高级分析之门。AI/ML提供了以更高的和效率更高的分析和自动化的能力，并越来越多地被金融机构用于后端和前端运营。财务中有各种各样的AI用例，从为数字聊天机器人和虚拟助手提供动力到增强甚至自动化信用和保险承销，再到数字营销和欺诈监控。AI/ML可以为金融消费者带来许多潜在的好处，包括增加信用历史有限的传统服务不足的消费者获得信贷，扩大了潜在的成本较低的新产品和创新产品的可用性，并提供更快的客户服务。，但在几乎所有这些情况下，AI/ML都是双刃剑。可以使消费者受益的相同的AI用例也构成新的风险，具体取决于AI/ML的部署方式。AI/ML模型可以增加获得资金的机会，还可能会使人口的某些部分持续和加剧偏见。数字针对性的营销可用于对侵犯行为偏见的弱势消费者的掠夺性产品进行积极进步。genai可能会更快地对客户服务查询做出更快的响应，但也可能导致反应不正确或阻止消费者与现场代理人联系以解决紧急事项。因此，至关重要的是，拥有明确，可靠的保障措施以减轻消费者的风险，以便安全，负责任地部署AI/ML，以确保消费者可以从AI/ML可能造成的危害。消费者报告（CR）2正在努力支持负责任
因果关系启发性的歧视性特征学习，用于步态识别的三重领域
摘要。步态识别是一种生物识别技术，可以通过步行方式区分个人。但是，在准确提取身份特征时，以前的方法会面临挑战，因为十个特征与非身份线索纠缠在一起。为了应对这一挑战，我们提出了CLTD，这是一种因果关系启发的歧视性特征学习模块，旨在有效消除三重域中的混杂因素，即空间，时间和光谱。具体来说，我们可以使用跨像素的注意力生成器（CPAG）生成空间和时间域中事实和反事实特征的出现分布。然后，我们将傅立叶投影头（FPH）介绍给项目空间特征到光谱空间，从而保留基本信息，同时降低计算成本。此外，我们采用了一种具有对比度学习的优化方法，从而在同一主题的序列之间执行语义一致性约束。我们的方法在挑战性数据集上表现出了显着的性能提高，从而证明了其有效性。此外，它可以无缝集成到现有的步态识别方法中。
寻找较少歧视性算法的法律义务
图1。左：十个不同模型如何表现出相同的准确性的例证，同时在假设的十个人中给出不同的个人预测。右：两个多胶模型的示例：它们表现出相等的精度（所有人比80％），但进行不同的个人预测，从而导致歧视性行为的差异。左侧的图形在男女之间的选择率差异很大，而右图则没有。该图的较暗区域是指模型预测个人值得信誉的地方，而黑暗点对应于那些确实是信誉良好的人。该图的较轻区域是指模型预测个人不可信守的区域，而较轻的点对应于那些确实是不可信任的个体。三角形点是指女性，正方形指的是男人。
创建非歧视性人工智能系统
摘要 在过去十年中，人们越来越担心使用人工智能系统所产生的风险。使用这些系统的主要问题之一是，它们已被证明会对平等和非歧视的基本权利造成损害。在此背景下，我们必须审查旨在解决这一特定问题的现有和拟议监管文书，特别是考虑到将法律文书（特别是平等和非歧视法律框架）的抽象性质应用于编码旨在非歧视的人工智能工具时所需的具体指令的困难。本文重点研究了新欧盟人工智能法案提案的第 10 条如何成为适应算法系统需求的新形式监管的起点。
基于结构正规化的歧视性多视图无监督特征选择
多视图无监督的特征选择（MUFS）最近引起了相当大的关注，可以从原始的多视图数据中选择紧凑的代表性特征子集。尽管有希望的初步性能，但大多数以前的MUFS方法都无法探讨多视图数据的歧视能力。此外，他们通常使用光谱分析来维持几何结构，这将不可避免地增加参数选择的难度。为了解决这些问题，我们提出了一种新颖的MUFS方法，称为基于结构正规化的歧视性多视图无监督特征选择（SDFS）。具体来说，我们从不同视图中计算样本空间的相似性矩阵，并自动加权每个视图特定图表以学习共识相似性图，其中这两种类型的图形可以相互促进。此外，我们将学习的潜在表示为群集指标，并在没有引入其他参数的情况下采用图形正则化来维护数据的几何结构。此外，开发了具有理论收敛属性的简单而有效的迭代更新算法。在几个基准数据集上进行的广泛实验验证了该设计的模型是否优于几种最新的MUFS模型。©2023 Elsevier B.V.保留所有权利。
禁止在公共场所进行远程生物特征分类，以及任何歧视性的生物特征分类
使用生物特征分类系统在公共场所监视或监控人员缺乏合法理由，必须予以禁止。即使是像根据头发颜色对人进行分组这样看似无害的事情也可能被用作种族定性的代理。同样，在工作场所或教育机构中使用此类系统可能会导致高度侵入性的监视，在这种情况下，员工、求职者或学生已经处于权力不平衡的地位。如果残疾人可能被基于人工智能的系统误解，那么在私人空间中也可能会发生歧视，因此