抵押贷款的不公平已经在美国种族和族群中创造了代理不平等。许多研究解决了这个问题，但大多数现有工作都侧重于基于相关的技术。在我们的工作中，我们使用反事公平的框架来培训公平机器学习模型。我们为家庭抵押贷款披露法案（HMDA）数据中提供的变量提出了新的因果图。我们使用基于匹配的方法而不是潜在的变量建模方法，因为前一种方法不依赖于任何建模假设。此外，匹配为我们提供了反事实对，其中匹配匹配变量。我们首先展示了非洲裔美国人和非西班牙裔白人之间的抵押贷款批准和利率的不公平。然后，我们显示使用匹配的平衡数据并不保证机器学习模型的完美反事公平。
translated by 谷歌翻译
我们提出了一种用于测试使用吸收材料记录辐射电磁（EM）场的天线阵列的新方法，并使用条件编码器解码器模型通过AI评估所得到的热图像串。鉴于馈送到每个阵列元件的信号的功率和相位，我们能够通过我们训练的模型重建正常序列，并将其与热相机观察到的真实序列进行比较。这些热图仅包含低级模式，例如各种形状的斑点。然后，基于轮廓的异常检测器可以将重建误差矩阵映射到异常的分数，以识别故障的天线阵列，并将分类F量度（F-M）增加到46％。我们在天线测试系统收集的时间序列热量量表上展示了我们的方法。传统上，变形自身摩擦（VAE）学习观察噪声可以产生比具有恒定噪声假设的VAE更好的结果。然而，我们证明这不是对这种低级模式的异常检测的情况，有两个原因。首先，结合所学到的观察噪声的基线度量重建概率不能分化异常模式。其次，具有较低观察噪声假设的VAE的接收器操作特性（ROC）曲线下的区域比具有学习噪声的VAE高出11.83％。
translated by 谷歌翻译
生物学上现实或受到启发的强化学习的标准模型采用了全球错误信号，这意味着浅网络。但是，另一方面，本地学习规则允许具有多层的网络。在这里，我们提出了一个网络，将本地学习与全局调制结合在一起，其中神经调节控制整个网络中的可塑性变化量，而错误的迹象通过通过网络的自下而上的路径传递。神经调节可以理解为纠正误差或相关性，而误差信号的自下而上的迹象决定长期增强和长期抑郁症之间。我们以真正的机器人任务作为概念证明，证明了这种范式的性能。
translated by 谷歌翻译