XiaoMi-AI文件搜索系统
World File Search System消除偏差
TARA：AI 公平性和领域泛化的训练和表示调整 William Paul 1、Armin Hadzic 1、Neil Joshi 1、Fady Alajaji 2、Philippe Burlina 1、3 1 约翰霍普金斯大学应用物理实验室 11100 Johns Hopkins Rd, Laurel, MD 20723, USA firstname.lastname@jhuapl.edu 2 数学与统计系 加拿大安大略省皇后大学 K7L 3N6 fa@queensu.ca 3 约翰霍普金斯大学计算机科学系 3400 N. Charles Street Baltimore, MD 21218
我们提出了一种针对受保护或敏感因素实施 AI 公平性的新方法。该方法使用双重策略执行训练和表示改变 (TARA) 来缓解 AI 偏见的主要原因，包括：a) 通过对抗独立性使用表示学习改变来抑制数据表示对受保护因素的偏见依赖性；以及 b) 通过智能增强改变训练集以解决引起偏见的数据不平衡，通过使用生成模型，允许通过领域适应和潜在空间操纵对与代表性不足的人群相关的敏感因素进行精细控制。在图像分析上测试我们的方法时，实验表明 TARA 显著或完全消除了基线模型的偏差，同时优于具有相同信息量的其他竞争性消除偏差方法，例如，对于 Eye-PACS，(% 总体准确度，% 准确度差距) = (78.8, 0.5) vs. 基线方法的得分 (71.8, 10.5)，对于 CelebA，(73.7, 11.8) vs. (69.1, 21.7)。此外，认识到当前用于评估消除偏差性能的指标的某些局限性，我们提出了新颖的联合消除偏差指标。我们的实验还证明了这些新指标在评估所提出方法的帕累托效率方面的能力。
优化简单的全卷积网络，以便在 PAC 2019 挑战赛中准确预测大脑年龄
通过脑部 MRI 扫描预测脑年龄不仅有助于改善脑老化模型，还能为预测分析方法提供基准。脑年龄增量是受试者预测年龄与真实年龄之间的差异，已成为脑部健康的一个有意义的生物标志物。在这里，我们报告了我们的脑年龄预测模型的详细信息以及 2019 年预测分析挑战赛的结果。挑战赛的目的是使用 T1 加权脑部 MRI 预测多中心数据集中受试者的年龄。我们应用了一种轻量级深度卷积神经网络架构——简单全卷积神经网络 (SFCN)，并结合了数据增强、迁移学习、模型集成和偏差校正等多种技术来预测脑年龄。该模型在 PAC 2019 大脑年龄预测挑战赛的两个目标中均取得了第一名：未消除偏差时平均绝对误差（MAE）= 2.90 年（第二名 = 3.09 年；第三名 = 3.33 年），消除偏差后 MAE = 2.95 年，领先优势较大（第二名 = 3.80 年；第三名 = 3.92 年）。
基于对称 D 触发器的 PUF，具有改进的独特性
物理不可克隆函数 (PUF) 作为安全原语出现，可为安全应用生成高熵、抗回火位。然而，实现面积预算限制了它们在物联网、RFID 和生物医学等轻量级应用中的使用。以 SRAM 或 D 触发器的形式，内在 PUF 几乎在所有设计中都大量存在。作为设计不可或缺的一部分，它们的使用可能会损害性能。在本文中，为了解决内在 PUF 的使用问题，提出了一种基于 D 触发器的轻量级 PUF。所提出的架构采用 40 nm CMOS 技术实现。模拟结果表明，它的唯一性为 0.502，在高温 125°C 下的最坏情况可靠性为 95.89%，在电源电压为 1.2 V 时为 97.89%。为了评估各种 PUF 架构的性能，提出了一个新术语——唯一性与可靠性比。与传统 D 触发器相比，在相同的布局面积下，该触发器的独特性提高了 4.491 倍，独特性与可靠性比提高了 127.74 倍。由于该触发器采用对称结构，与其他架构不同，该触发器不需要任何后处理方案来消除偏差，从而进一步节省了硅片面积。为了验证模拟结果的功能正确性，本文还介绍了传统和所提出的 D 触发器的 FPGA 实现。
算法和AI驱动社交媒体对青少年的心理影响：行动呼吁
摘要 - 本文提出了一种新的在线功能选择方法，并意识到群体公平。它的症结在于优化所选特征子集中产生模型的准确性和公平性之间的权衡。我们设置的技术挑战是双重的：1）流媒体功能输入，因此，如果其信息已被其之前到达的其他类似功能涵盖的信息可能会过时或重新进行预测，而2）2）非缔合功能相关性，从而使这些偏见可能从这些看似可理解的，未经保护的功能中泄漏出来。为了克服这一点，我们提出了通过因果公平（SFCF）的流式特征选择，该特征选择分别构建了两个因果图，分别为预测标签和受保护特征，努力建模流媒体特征，标签和受保护信息之间的复杂相关结构。因此，可以通过去除这些特征与受保护的特征相关但与标签无关的因果关系来从预测建模中消除偏差。我们认为，当大量删除的功能（未受保护但可用于重建偏见信息）损害学习准确性时，最初的预测功能后来可以被接受。我们在流式传输特征研究中广泛使用的五个数据集上的SFCF基准，结果证明了其在六个竞争对手模型上的性能优越性，就特征选择的效率和稀疏性而言，以及由此产生的预测模型的均衡优势。
超音速的计算和实验研究...
本研究涉及光束-目标相互作用模拟的开发和验证，以确定给定目标几何形状、表面辐射强度和自由流条件的目标温度分布随时间的变化。通过数值和实验研究了湍流超音速流动的影响。实验在弗吉尼亚理工大学超音速风洞中进行，喷嘴速度为 4 马赫，环境总温度，总压力为 1。1 × 10 6 Pa，雷诺数为 5 × 10 7 / m。目标由涂成平黑色的 6.35 毫米不锈钢板组成。用 300 瓦连续光束镱光纤激光器照射目标，产生 4 毫米高斯光束，光束直径为 1.08 微米，距前缘 10 厘米，其中存在 4 毫米湍流边界层。吸收的激光功率为 65、81、101、120 瓦，最大热通量在 1035 至 1910 W/cm2 之间。使用中波红外摄像机测量目标表面和背面温度。还使用八个 K 型热电偶测量背面温度。进行了两次测试，一次是流动，另一次是流动。对于流动情况，隧道启动后开启激光器，流动达到稳定状态。对于流出情况，板以相同功率加热，但没有超音速流动。通过从流出温度中减去流动温度可以看到冷却效果。此温度减法有助于消除偏差误差，从而显着降低整体不确定性。使用 GASP 共轭传热算法模拟 81 和 65 瓦的实验。大多数计算都是使用 Spalart-Allmaras 湍流模型在 280、320 单元网格上进行的。进行了网格收敛研究。与 65 瓦的情况相比，81 瓦的情况显示出更多的不对称性，并且在上游发现了一个冷却增加的区域。通过热电偶和红外温度测量也可以看到背面的不对称性增加。对于流出的情况，计算低估了表面温度 7%。对于 65 瓦和 81 瓦的情况，靠近中心的表面冷却都被低估了。对于所有功率设置，对流冷却都会显著增加达到给定温度所需的时间。