我们引入了边缘化模型(M A MS),这是一个新的生成模型系列,用于高维离散数据。他们通过明确建模所有诱导的边际分布来提供可扩展和灵活的生成建模。边缘 - ization模型可以通过神经网络的单个正向通行的Arbi-Trary边缘概率快速近似,该概率克服了任意边缘推理模型的主要局限性,例如任何阶段的自动性自动化模型。MS还解决了在基于能量的训练的概述下,在训练任何阶段生成模量中遇到的可伸缩性瓶颈,在基于能量的培训的概述下,其目标是将学习分布与给定的DESIER概率匹配(由无标准的对数字概括性函数(例如能量或奖励功能)指定)。我们提出了学习边际的可扩展方法,该方法基于“边缘化自洽”的概念。我们将提出模型对各种离散数据分布(包括图像,文本,物理系统和分子)的有效性,以实现最大可能性和基于能量的培训设置。a MS在评估两个设置的边缘概率时达到了宏伟的加速顺序。对于基于能量的培训任务,M MS可以超出先前方法的规模,使高维问题的任何阶段生成型。代码可在github.com/princetonlips/mam上找到。
来源:FEMA和Verisk数据。注释:AMI =区域中位收入; FEMA =联邦应急管理机构; LMI =低收入和中等收入。颜色的社区是人口普查区,其中有色家庭的份额超过50%。多数白人社区是人口普查区,白人家庭的份额超过50%。LMI社区是普查区中位收入中位数不到AMI的80%的社区。中等收入社区是普查区中位收入中位数至少占AMI的80%但不到AMI的120%的社区。高收入社区是人口普查区中位收入至少占AMI的120%的社区。
摘要 — 在之前的工作中,我们已经展示了量子力学的基本概念和术语如何与复值量子质量函数的因式分解和边际相关,它们是联合概率质量函数的推广。在本文中,我们利用量子质量函数,讨论了从幺正相互作用和边缘化的角度实现测量。由此可见,经典测量结果严格属于局部模型,即更详细模型的边际。由边缘化产生的经典变量在非边缘化模型中不存在,不同的边缘化可能会产生不兼容的经典变量。这些观察结果由 Frauchiger-Renner 悖论说明,该悖论从量子质量函数的角度进行分析(和解决)。自始至终,本文使用因子图来表示在不同时间点具有多个测量值的量子系统/模型。
当我移动手臂时,我觉得我是身体运动的作者。当我认为我会乘坐电车而不是公共汽车时,我觉得我是我的思想的作者,或者我是产生这些想法的人。这两种经历可以用单数机制来解释吗?对代理意识的统一说明(SOA简称)将确定一种理论,即一种机制可以解释身体运动和思维中的SOA。本文的目的是表明,应对SOA的这种统一比较者说明。传统上将SOA的机制传统上理解为不同的,而举证责任是在统一帐户的支持下,随着一次又一次的一次又一次,对SOA的统一比较者说明的论点已被提出。我们将在本文中逐一重新审视他们。总而言之,他们认为预测我们的行为与我们的思想过程之间存在明确的区别。也就是说,思想和行动太差异了,无法由单个预测机制支配。首先,让我们重新审视统一比较器模型和原始介绍的理由。
•继续灵活的资金,以确保我们可以适应新兴和多样化的需求,包括边缘化群体的需求。•支持识别和消除包容性障碍并倡导边缘化权利的行动。•促进领导文化,优先考虑人道主义行为者和捐助者的多样性和包容性。•通过展示DRA的作品来大声疾呼在政策辩论中包容在政策辩论中的重要性。•继续促进能力加强作为国际和地方参与者之间相互过程的重要性。•倡导与专业组织进行更多合作。
hal是一个多学科的开放访问档案,用于存款和传播科学研究文件,无论它们是否已发表。这些文件可能来自法国或国外的教学和研究机构,也可能来自公共或私人研究中心。
智慧城市化自然关注高科技及其塑造者在城市发展或重新构想中扮演的角色。正如格雷厄姆和马文在 1996 年出版的开创性著作《电信与城市》中指出的那样,数字化出现的潜在主要范式转变之一可能是,邻近性以及物理空间和距离的作用可能被视为过时的城市特征。本章旨在研究物理城市空间和设计在“智慧”概念和干预措施中的作用。它讨论了随着智慧城市愿景的出现,空间的作用似乎发生了根本性转变。尽管在许多方面,空间是“城市”的重要组成部分,也是塑造城市和解决城市问题的重要推动者,但现在在智慧城市愿景中,空间被边缘化,要么是问题的罪魁祸首和产生者,要么是技术系统的被动宿主,仅仅是物理性的需要。本章简要介绍了此类方法的例子,并主张需要重新构建智能城市设计话语和流程,将物理城市空间作为城市发展的主体和关键组成部分,而不是技术平台。本章认为,要做到这一点,就需要克服智能城市是技术产物的观念,并通过一系列技术产品的应用来表达。我们的城市设计知识和实践需要同时更新和纳入。
每次对话都是由一个主持人进行的,该协助者在与社区/重点领域的儿童,年轻人和家庭直接合作方面进行了专业知识。我们很幸运有一个主持人会讲旁遮普语,这在与将其称为第一语言的家人和年轻人交谈时,可以更好地参与。这使年轻人和父母能够尽可能舒服地回答问题。主持人可以自由地通过修改或提出其他问题或围绕问题设计和运行活动来应对所涉及的人们的需求,以使会议尽可能吸引人,敏感和安全。例如,RCPCH和美国工作人员改编了这些材料,使年幼的孩子更具吸引力。
算法在不同的人口群体中可能表现不同。例如,如果一个心理健康工具主要基于来自白人中产阶级的数据进行训练,那么它可能无法准确诊断或治疗其他种族人群的疾病(Buolamwini 和 Gebru 2018)。偏见的另一个来源是人工智能工具的设计和开发过程。如果开发团队缺乏多样性或未能考虑不同人群的具体需求,那么最终的工具可能会无意中反映出其创造者的偏见。这可能导致工具对某些群体效率较低甚至有害,加剧心理健康护理中现有的差距(Gebru 等人 2020)。此外,算法本身也会带来偏见。例如,机器学习算法通常会优化准确性或效率而不考虑公平性。因此,它们可能会强化数据中现有的偏见,甚至通过其决策过程产生新的偏见(Hardt 等人 2016)。