我们证明，就机器学习政策的参数而言，自然梯度下降承认了与自然选择进化一致的共轭动力描述。我们将这些共轭动力学表征为对连续时间复制器动力学的本地最佳拟合，并表明价格方程适用于策略架构和参数生成的希尔伯特空间的函数等效类别。我们认为，“共轭自然选择”直观地解释了自然梯度下降的经验有效性，同时为机器学习动力学开发了有用的分析方法。

Given an algorithmic predictor that is "fair" on some source distribution, will it still be fair on an unknown target distribution that differs from the source within some bound? In this paper, we study the transferability of statistical group fairness for machine learning predictors (i.e., classifiers or regressors) subject to bounded distribution shifts. Such shifts may be introduced by initial training data uncertainties, user adaptation to a deployed predictor, dynamic environments, or the use of pre-trained models in new settings. Herein, we develop a bound that characterizes such transferability, flagging potentially inappropriate deployments of machine learning for socially consequential tasks. We first develop a framework for bounding violations of statistical fairness subject to distribution shift, formulating a generic upper bound for transferred fairness violations as our primary result. We then develop bounds for specific worked examples, focusing on two commonly used fairness definitions (i.e., demographic parity and equalized odds) and two classes of distribution shift (i.e., covariate shift and label shift). Finally, we compare our theoretical bounds to deterministic models of distribution shift and against real-world data, finding that we are able to estimate fairness violation bounds in practice, even when simplifying assumptions are only approximately satisfied.

实际和公平地建模机器学习中型群体差距的动态仍然是一个公开问题。特别是，我们渴望不假设人工群体之间固有的差异的模型 - 而是通过上诉对绝大群体的不平等初始条件的吸引力来实现差异。在本文中，每个代理商都有一个真实值的特征$ x $（例如，信用评分），通过“真实”二进制标签$ Y $代表资格（例如，贷款）。每个代理商交替（1）从贝贝斯 - 最佳机器学习分类器中接收二进制分类标签$ \ hat {y} $（例如，贷款批准）观察$ x $和（2）可以通过模仿成功更新他们的资格资格$ y $在孤立的群体中，策略（例如，寻求提升）他们所属的代理商。我们考虑在不同群体之间的资格率$ \ pr（y = 1）$之间的差异以及这种差异变化如何受到一系列贝叶斯 - 最佳分类器，在全球人口上反复培训。我们使用复制器方程来模拟每个亚父舒膏（组）的演变资格率，它来自一类模仿过程。我们表明，由于均匀的分类器部署，亚步骤之间的资格率之间的差异可能持续到一组非琐碎的均衡状态，即使在除初始资格密度除外的各个方面，群体在所有方面相同。我们接下来模拟常见的公平干预措施对该动态系统的效果以及能够永久消除群级资格差距的新反馈控制机制。我们通过讨论模型和调查结果的局限性以及概述潜在的未来工作来结束。

In recent years the applications of machine learning models have increased rapidly, due to the large amount of available data and technological progress.While some domains like web analysis can benefit from this with only minor restrictions, other fields like in medicine with patient data are strongerregulated. In particular \emph{data privacy} plays an important role as recently highlighted by the trustworthy AI initiative of the EU or general privacy regulations in legislation. Another major challenge is, that the required training \emph{data is} often \emph{distributed} in terms of features or samples and unavailable for classicalbatch learning approaches. In 2016 Google came up with a framework, called \emph{Federated Learning} to solve both of these problems. We provide a brief overview on existing Methods and Applications in the field of vertical and horizontal \emph{Federated Learning}, as well as \emph{Fderated Transfer Learning}.

ICECUBE是一种用于检测1 GEV和1 PEV之间大气和天体中微子的光学传感器的立方公斤阵列，该阵列已部署1.45 km至2.45 km的南极的冰盖表面以下1.45 km至2.45 km。来自ICE探测器的事件的分类和重建在ICeCube数据分析中起着核心作用。重建和分类事件是一个挑战，这是由于探测器的几何形状，不均匀的散射和冰中光的吸收，并且低于100 GEV的光，每个事件产生的信号光子数量相对较少。为了应对这一挑战，可以将ICECUBE事件表示为点云图形，并将图形神经网络（GNN）作为分类和重建方法。 GNN能够将中微子事件与宇宙射线背景区分开，对不同的中微子事件类型进行分类，并重建沉积的能量，方向和相互作用顶点。基于仿真，我们提供了1-100 GEV能量范围的比较与当前ICECUBE分析中使用的当前最新最大似然技术，包括已知系统不确定性的影响。对于中微子事件分类，与当前的IceCube方法相比，GNN以固定的假阳性速率（FPR）提高了信号效率的18％。另外，GNN在固定信号效率下将FPR的降低超过8（低于半百分比）。对于能源，方向和相互作用顶点的重建，与当前最大似然技术相比，分辨率平均提高了13％-20％。当在GPU上运行时，GNN能够以几乎是2.7 kHz的中位数ICECUBE触发速率的速率处理ICECUBE事件，这打开了在在线搜索瞬态事件中使用低能量中微子的可能性。

生物标志物确定患者对治疗的反应。随着基于变压器网络的人工智能的最新进展，仅进行了有限的研究来衡量具有挑战性的组织病理学图像的性能。在本文中，我们研究了众多最先进的变压器网络对免疫组织蛋白质细胞分割免疫组织癌（IHC）幻灯片中结肠癌的众多最先进的变压器网络的疗效。广泛而全面的实验结果证实，与其余评估的变压器和有效的U-NET方法相比，Missformer的骰子得分最高74.85％。

神经网络的出现彻底改变了运动合成领域。然而，学会从给定的分布中无条件合成动作仍然是一项具有挑战性的任务，尤其是当动作高度多样化时。我们提出了Modi，这是一种无条件的生成模型，可以合成各种动作。我们的模型在完全无监督的环境中训练，从多样化，非结构化和未标记的运动数据集中进行了训练，并产生了一个行为良好，高度语义的潜在空间。我们的模型的设计遵循StyleGAN的多产架构，并将其两个关键技术组件调整为运动域：一组样式编码，这些样式编码注入了生成器层次结构的每个级别和映射功能，并形成了一个学习和形成一个分离的潜在空间。我们表明，尽管数据集中缺乏任何结构，但潜在空间可以在语义上聚集，并促进语义编辑和运动插值。此外，我们提出了一种将未见动作转向潜在空间的技术，并展示了基于潜在的运动编辑操作，否则这些动作无法通过天真地操纵明确的运动表示无法实现。我们的定性和定量实验表明，我们的框架达到了最新的合成质量，可以遵循高度多样化的运动数据集的分布。代码和训练有素的模型将在https://sigal-raab.github.io/modi上发布。

败血症是一种威胁生命的患有器官功能障碍的疾病，是全球死亡和重症疾病的主要原因。急诊科分类过程中败血症的准确检测将允许尽早开始实验室分析，抗生素给药和其他败血症治疗方案。这项研究的目的是确定是否可以将EHR数据与最新的机器学习算法（Kate Sepsis）和临床自然语言处理一起提取和合成，以产生准确的脓毒症模型，并将Kate Sepsis与现有的败血症筛查方案进行比较爵士和QSOFA。使用来自16家参与医院的分类数据的患者遇到的患者遭遇开发了机器学习模型（Kate Sepsis）。凯特败血症，SIRS，标准筛查（具有感染源的SIRS）和QSOFA在三个设置中进行了测试。队列A是对单个站点1的医疗记录的回顾性分析。同类B是对位点1的前瞻性分析1.同伴C是对站点1的回顾性分析，并有15个地点。在所有队列中，凯特败血症的AUC为0.94-0.963，TPR为73-74.87％和3.76-7.17％FPR。标准筛选显示AUC为0.682-0.726，TPR为39.39-51.19％和2.9-6.02％FPR。 QSOFA协议的AUC为0.544-0.56，TPR为10.52-13.18％和1.22-1.68％FPR。对于严重的败血症，在所有队列中，凯特败血症的AUC为0.935-0.972，TPR为70-82.26％和4.64-8.62％FPR。对于败血性休克，在所有队列中，凯特败血症的AUC为0.96-0.981，TPR为85.71-89.66％和4.85-8.8％FPR。 SIRS，标准筛选和QSOFA表现出严重败血症和败血性休克检测的低AUC和TPR。凯特败血症在分类中提供的败血症检测性能比常用的筛查方案更好。

多个摄像机制造的视频录制的可用性越来越多，为姿势和运动重建方法中的减少和深度歧义提供了新的方法。然而，多视图算法强烈依赖于相机参数;特别地，相机之间的相对介绍。在不受控制的设置中，这种依赖变为一旦转移到动态捕获一次。我们介绍Flex（免费多视图重建），一个端到端的无参数多视图模型。 Flex是无意义的参数，即它不需要任何相机参数，都不是内在的也不是外在的。我们的关键思想是骨架部件和骨长之间的3D角度是不变的相机位置。因此，学习3D旋转和骨长而不是位置允许预测所有相机视图的公共值。我们的网络采用多个视频流，学习通过新型多视图融合层的融合深度特征，并重建单一一致的骨架，其具有时间上相干的关节旋转。我们展示了人类3.6M和KTH多视图足球II数据集的定量和定性结果，以及动态摄像头捕获的合成多人视频流。我们将模型与最先进的方法进行比较，这些方法没有参与参数，并在没有相机参数的情况下显示，我们在获得相机参数可用时获取可比结果的同时优于较大的余量。我们的项目页面上可以使用代码，培训的模型，视频示例和更多材料。