尽管算法公平最近取得了进步，但通过广义线性模型（GLM）实现公平性的方法论，尽管GLM在实践中广泛使用，但尚待探索。在本文中，我们基于预期的结果或对数类似物的均衡介绍了两个公平标准。我们证明，对于GLMS，这两个标准都可以通过基于GLM的线性组件的凸惩罚项来实现，从而允许有效优化。我们还得出了由此产生的公平GLM估计器的理论特性。为了从经验上证明所提出的公平GLM的功效，我们将其与其他众所周知的公平预测方法进行了比较，以用于二进制分类和回归的广泛基准数据集。此外，我们证明了公平的GLM可以为二进制和连续结果以外的一系列响应变量产生公平的预测。
translated by 谷歌翻译
应用标准机器学习方法可以在不同的人口组中产生不等的结果。当在现实世界中使用时，这些不公平可能会产生负面影响。这激发了近年来通过机器学习模型公平分类的各种方法的发展。在本文中，我们考虑修改黑箱机器学习分类器的预测的问题，以便在多种多组设置中实现公平性。为实现这一目标，我们在Hardt等人中扩展了“后处理”方法。 2016年，侧重于二进制分类的公平，以实现公平的多种式分类。我们探讨我们的方法通过系统合成实验产生公平和准确的预测，并在几个公开的现实世界应用数据集中评估歧视 - 公平权衡。我们发现整体而言，当数据集中的个体的数量相对于类和受保护组的数量很高时，我们的方法可以精确地产生轻微的滴度并强制执行公平性。
translated by 谷歌翻译
北极河口环境中温室气体排放的估计是由于在这些条件下进行现场观测的后勤易于进行现场溶解气体测量所主导的。然而，沿海北极环境中的最新证据表明，溶解的甲烷（CH4）和二氧化碳（CO2）在季节性上有很大的可变，并且在春季新鲜物体期间至少发生了一个重要的气通气事件。北极是否充当温室排放的来源或水槽对建模气候变化及其反馈机制具有重要意义。为了使溶解气体在典型的不足采样条件下进行更高分辨率的时空测量，可以使用远程操作的车辆（ROV）来在春季新鲜材料之前和期间提取冰以下的连续水样品。在这里，我们提出了一个适合于服用冰质地球化学观测值的尺寸，重量和功率约束（交换）水下车辆（UV）和新型的地球化学采样系统，并在北极河口研究的现场 - 肛门设置中演示了所提出的系统。
translated by 谷歌翻译
神经辐射场（NERF）最近被成为自然，复杂3D场景的代表的强大范例。 NERFS表示神经网络中的连续体积密度和RGB值，并通过射线跟踪从看不见的相机观点生成照片逼真图像。我们提出了一种算法，用于通过仅使用用于本地化的板载RGB相机表示为NERF的3D环境导航机器人。我们假设现场的NERF已经预先训练了离线，机器人的目标是通过NERF中的未占用空间导航到目标姿势。我们介绍了一种轨迹优化算法，其避免了基于NERF中的高密度区域的碰撞，其基于差分平整度的离散时间版本，其可用于约束机器人的完整姿势和控制输入。我们还介绍了基于优化的过滤方法，以估计单位的RGB相机中的NERF中机器人的6dof姿势和速度。我们将轨迹策划器与在线重新循环中的姿势过滤器相结合，以提供基于视觉的机器人导航管道。我们使用丛林健身房环境，教堂内部和巨石阵线导航的四轮车机器人，使用RGB相机展示仿真结果。我们还展示了通过教会导航的全向地面机器人，要求它重新定位以缩小差距。这项工作的视频可以在https://mikh3x4.github.io/nerf-navigation/找到。
translated by 谷歌翻译