鉴于数据中心和计算系统的能源需求快速上升，一般来说，在设计时（调度）算法时的能量注意事项是基本的。通过基于例如历史数据预测系统的未来负载，机器学习可以是一种有用的方法。然而，这种方法的有效性高度取决于预测的质量，并且当预测是子标准时，可以远离最佳状态。另一方面，在提供最坏情况的情况下，经典的在线算法对于在实践中产生的大类输入可能是悲观的。本文，本文以新领域的机器学习增强算法的精神，试图获得古典，截止日期，在线速度缩放问题的最佳世界两全其美：基于引入新颖的预测设置，我们开发算法（i）在存在足够的预测存在下，（ii）在存在的情况下获得可释放的低能量消耗，并且（ii）对预测不足，（III）是光滑的，即它们的性能随着预测误差的增加而逐渐降低。
translated by 谷歌翻译
基于图神经网络（GNN）方法已饱和推荐系统的领域。这些系统的收益很大，显示了通过网络结构解释数据的优势。但是，尽管在建议任务中使用图形结构有明显的好处，但这种表示形式也带来了新的挑战，这些挑战加剧了缓解算法偏见的复杂性。当将GNN集成到下游任务中时，例如建议，缓解偏差可能会变得更加困难。此外，将现有的公平促进方法应用于大型现实世界数据集的棘手性对缓解尝试更加严重的限制。我们的工作着手通过采用现有方法来促进图形上的个人公平性并将其扩展以支持Mini批次或基于子样本的培训，从而填补了这一空白下游建议任务。我们评估了两种流行的GNN方法：图形卷积网络（GCN），该方法在整个图上进行训练，以及使用概率随机步行的图形，以创建用于迷你批次训练的子图，并评估子采样对个人公平性的影响。我们实施了一个由Dong等人提出的称为\ textit {redress}的个人公平概念，该概念使用等级优化来学习单个公平节点或项目，嵌入。我们在两个现实世界数据集上进行了经验证明，图形不仅能够达到可比的精度，而且与GCN模型相比，还可以提高公平性。这些发现对个人的公平促进，GNN和下游形式产生了影响，推荐系统，表明小批量培训通过允许当地的细微努力指导代表性学习中的公平促进过程来促进个人公平促进。
translated by 谷歌翻译
团体公平确保基于机器学习的结果（ML）决策系统的结果不会偏向于某些由性别或种族等敏感属性定义的人。在联合学习（FL）中实现群体公平性是具有挑战性的，因为缓解偏差固有地需要使用所有客户的敏感属性值，而FL则旨在通过不给客户数据访问来保护隐私。正如我们在本文中所显示的那样，可以通过将FL与安全的多方计算（MPC）和差异隐私（DP）相结合来解决FL中的公平与隐私之间的冲突。在此过程中，我们提出了一种在完整和正式的隐私保证下培训跨设备FL中的小组最大ML模型的方法，而无需客户披露其敏感属性值。
translated by 谷歌翻译
对人类的逼真渲染和安息对于实现增强现实体验至关重要。我们提出了一个新颖的框架，以重建人类和场景，可以用新颖的人类姿势和景色从一个单一的野外视频中呈现。给定一个由移动摄像机捕获的视频，我们训练了两个NERF模型：人类NERF模型和一个场景NERF模型。为了训练这些模型，我们依靠现有方法来估计人类和场景的粗糙几何形状。这些粗糙的几何估计值使我们能够创建一个从观察空间到独立姿势独立的空间的翘曲场10秒的视频剪辑，并以新颖的观点以及背景提供新颖的姿势，提供人类的高质量效果。
translated by 谷歌翻译