当前位置:新闻首页  一分幸运28登录

一分幸运28登录-幸运28一分钟一把

2019年11月19日 08:28:01来源:一分幸运28登录编辑:3分快3官方

即便在同样的基准下,面部识别系统的准确度数字可能也会发生变化。人工智能并不完美。在这种情况下,通过提供置信度给用户更具体的判断信息是一个有用的做法。

皮尤研究中心的一项最新研究发现,Facebook的新闻图片中,男性出现的频率是女性的两倍,且大部分的图片是关于男性的。

3、由于违约样本数据较少,“违约信号”仍需要进一步验证,随着违约样本数据的增大,“违约信号”也将更显著。

本文来自公众号:全媒派(ID:quanmeipai),原标题为:《人脸识别的肤色性别偏见背后,是算法盲点还是人心叵测?》,题图来自:。

进一步对“序列C”进行异常值检测,找到124个有效样本异常值μ,使得“序列C”数值分布在(μ-3σ,μ+3σ)中的概率为99.73%。

“偏见”带来了什么?最近,包括图灵奖获得者Yoshua Bengio在内的26位AI领域顶尖研究者,在一篇公开博文中要求亚马逊立即停止向警方出售其人工智能服务Amazon Rekognition。亚马逊云计算部门前首席科学家Anima Anandkumar等人也加入了这一联合呼吁。

在现实生活中,识别你周围人的性别再简单不过,但是对于计算机而言,它的工作需要经历怎样的步骤?计算机如何“看出”你的性别?“在给算法‘喂入’成千上万个图像案例后,作为一个‘成熟的算法’,面部识别系统自己就能学会如何辨别男性和女性。”这种回答虽然可以解释上文的疑问,但对于“黑箱”外的我们,可能并不容易理解这一学习过程。

偏差来自哪里?如果对比开发者自己声明的准确率和研究者们的研究结论,会发现一个有趣的事情:公司发布的数据和独立第三方的外部准确率总是有所出入。那么,是什么导致了这一差异?

你也许会为女性身影的稀少而感到疑惑,这在一定程度上和更大的社会现实相关。比如,在关于职业足球队的新闻报道中,识别出的图像大多都是男性;在针对美国参众两院(女性占比为25%)的报道中,识别出的女性面孔当然要比男性少得多。

本文首发于微信公众号:债券圈。文章内容属作者个人观点,不代表和讯网立场。投资者据此操作,风险请自担。AI的种族歧视,是算法盲点还是人心叵测?

亚马逊相关负责人表示,该公司使用了超过100万张面孔数据作为基准来检测产品的准确率。但是,不要被这个看起来很大的样本迷惑了。“因为我们不知道基准数据的详细人口统计学数据。没有这些信息,我们就无法判断,是否在基准选择上,就可能埋下了种族、性别或者肤色等偏见的可能。”

机器学习的确可以极大地提高我们处理数据的效率,但与传统的计算机程序不同,机器学习遵循一系列严格的步骤,它们的决策方式在很大程度上隐而不显,并且高度依赖于用来训练自身的数据。这些特点可能导致,机器学习工具产生更难以被人理解和提前预测到的系统性偏差。

著名非裔记者、平权运动家Ida B.Wells被识别为男性。为了减少搜索人脸所需的时间,执法部门正在大量使用性别分类。如果需匹配人脸的性别是已知的,通过简单的二分法,就可以大量减少需要处理的潜在匹配数。性别分类正广泛应用到警务活动中。

毕竟,算法偏见的背后,其实是我们人类自己的偏见。参考链接:1.https://www.journalism.org/2019/05/23/men-appear-twice-as-often-as-women-in-news-photos-on-facebook/

Joy提醒我们关注基准数据集的偏差。“当我们讨论面部分析技术的准确性时,是通过一系列图像或者视频测试来完成的。这些图像数据构成了一个基准,但并不是所有的基准都是平等的。”

那么,是谁在“扭曲”两性?为何有时候,算法眼中的你处在可男可女的模糊地带?进一步讲,性别之外还有哪些偏见?为了应对这种状况,我们可以做些什么?人脸识别下的性别失衡皮尤的这份报告指出,在Facebook上不同类型的新闻报道中,女性在图片中的“在场”情况始终低于男性。在与经济有关的帖子中,只有9%的图片为纯女性内容,与此形成鲜明对比的是,纯男性图像占到了69%。女性在娱乐新闻图片中拥有更多展示机会,但总体上仍低于男性。

不同系统对深肤色演员的识别数据不同Facebook曾宣布,在名为Labeled Faces in the Wild的数据集测试中,自己面部识别系统的准确率高达97%。但当研究人员查看这个所谓的黄金标准数据集时,却发现这个数据集中有近77%的男性,同时超过80%是白人。

在TED演讲中,Joy和大家分享了一个小故事:在同样的光线条件下,面部识别系统只能检测到浅肤色的参与者;只有戴上白色面具,才能检测出深肤色的参与者。“在人工智能工具确定人脸的身份或者辨别表情信息前,最基本的前提是,检测出人脸。但是,面部识别系统在检测黑皮肤个体上,屡次失败。我只能安慰自己,算法不是种族主义者,是自己的脸太黑了。”Joy说道。

为了更好地了解这一过程中的规则,皮尤研究中心进行了一个有趣的实验,他们将自己中心工作人员的图像上传到机器视觉系统,并对图像内容进行部分遮挡,希望从中寻得规律,找到是哪些面部区域会让算法做出或改变决策。

在目前,包括亚马逊在内的很多科技公司尚未加入这一承诺。“根据我们的研究,贸然向执法部门或者政府机构出售面部识别系统将是不负责任的。”作为算法正义联盟创始人之一的Joy希望,在未来,更多的机构能加入到“安全面孔承诺”,能够负责任地、符合道义地为面部分析技术的发展付出行动。

3.https://medium.com/@Joy.Buolamwini/response-racial-and-gender-bias-in-amazon-rekognition-commercial-ai-system-for-analyzing-faces-a289222eeced

为了在数据层就尽最大可能地剔除偏差,Joy提出,应当构建更具包容性的基准数据集。为了平衡基准数据,她列出了世界上妇女在议会所占比例最高的十个国家,其中卢旺达以超过60%的女性比例领先世界。考虑到北欧国家和少数非洲国家具有典型代表性,Joy选定了3个非洲国家和3个北欧国家,通过选择来自这些国家年轻、深肤色的个体数据来平衡数据集中的皮肤等类型。

2.https://www.pewresearch.org/interactives/how-does-a-computer-see-gender/

在这个“人机博弈”的交互挑战中,你不妨也大胆猜测下,哪些部分影响了系统的判断?首先,输入一张清晰的图片到机器视觉系统,此时,不管是算法还是你,都可以清楚地判断出照片中人物的性别。接下来,照片中出现了若干方框,提示信息告诉你,“选中某一方框意味着,在图片中遮挡隐藏该部分内容,你的选择有可能影响性别判断。”

正文一、研究方法及统计模型运用首先判断企业首次违约债券历史估值是否存在估值突变现象,如果存在,尝试找到估值突变发生的时间。分别比较估值突变发生时间与债券实质违约时间和该企业一级市场最后发行债券时间,如果估值突变发生时间显著领先,则说明估值的变动可以作为一个债券实质违约的领先信号。

具体来看,在涉及经济相关的帖子中,女性面孔的平均尺寸比男性小19%,但在娱乐相关的内容中,女性面孔的平均尺寸比男性大7%。

亚马逊面部识别系统对不同肤色、性别的测试准确度Google将这位用户的朋友识别为“大猩猩”“不管其正确性如何,面部识别技术都可能被滥用,”Joy说道。准确或者不准确地使用面部识别技术对他人的身份、面孔、性别进行分析,都可能侵犯到他人的自由。比如,不准确的识别可能会使得无辜者蒙冤,受到执法人员的无理审查,这并不是假想的情况。

三、结论与问题1、二级市场可以有效地甄别信用风险。个券估值信用利差波动幅度超过26BP时,是一个显著的“违约信号”。

对序列B进行Manner-Kendall(M-K)---突变检验,发现该序列存在突变点,而且突变点不止一个。再对比最早突变点发生时间和该债券相同发行人债券一级发行时间,发现突变点发生时间显著领先后者。

本文来自公众号:全媒派(ID:quanmeipai)。

选定阈值="x",124个有效样本序列中有118个异常值超过"x"。二、现实意义解释1、银行间信用债市场参与主体以银行为主。银行不仅在信用债一级发行承销、资产配置和二级交易中为市场主流机构,而且与债券发行主体在传统信贷业务上有更深入的接触,银行在获得企业真实运营情况信息上具有先天优势。企业一旦出现问题,与之合作的银行机构首先发现并抛售流动性最好的该企业信用债券,将对二级市场估值产生第一次冲击;之后头部非银机构基于强大信评能力或能发现问题并在二级市场悄悄抛售,对该债券二级市场估值产生第二次冲击,以此类推会直至该债券发生违约。

正是基于这个更平衡的数据集,他们对亚马逊、Kairos、IBM、Face++等公司的面部识别系统进行了重新评估。在2018年8月的研究中,他们发现,亚马逊和Kairos在白人男性识别工作上表现优秀,但亚马逊对有色人种的女性面孔识别的准确率很低,仅为68.6%。

来源:债券圈作者:闫国涛(zybank)摘要当前信用债市场规模非常庞大,经济下行期出现信用债券违约事件已呈常态。目前银行间市场机构信评能力参次不齐,特别是中小型金融机构信评能力普遍较弱。本文用统计学模型对139条企业首次违约债券的历史估值波动进行统计分析,发现当个券单日信用利差变动幅度超过26BP时,是一个显著的“违约信号”。再对存量债券进行检测,通过寻找“违约信号”可以有效地甄别信用风险。

最后,当你完成选择后,图片将呈现出能影响性别分类改变的所有区域。感兴趣的读者,可以登陆皮尤研究中心网站,自己动手完成这个小实验。传送门:https://www.pewresearch.org/interactives/how-does-a-computer-see-gender/

乏力的信评与有效的市场

像面部识别这样的机器视觉工具,正被越来越广泛地应用在执法、广告及其他领域,对性别的识别,是其基本功能之一。

(注:“企业首次违约债券历史估值”序列下文简称“序列A”,该数据为企业首次发生违约的债券在存续期间内的历史估值;“个券信用利差”序列下文简称“序列B”,该数据通过“序列A”减去AA评级企业债收益率曲线获得,能反映债券存续期间内个券信用利差;“个券信用利差变动值”下文简称“序列C”,该数据通过对“序列B”临近两个工作日数据倒减获得,更能充分反映个券单日信用利差变动情况,也是我们最终找到“违约信号”的目标数据。

亚马逊的面部识别系统为奥普拉·温弗里的这张图片打上了男性标签,并给出了数据置信度Joy表示,现实世界中的脸部识别要比实验检测更为复杂和困难,他们建立的基准数据集也并非完全经受得住考验,“但这就好比跑步比赛,在基准测试中的出色表现,起码能保证你不会刚起步就摔倒。”

2、该“违约信号”可以作为有效的“排雷”工具。通过对存量债券进行检测,找到出现“违约信号”的债券并放入关注名单,能够有效提前排查信用风险。

从这个角度看,皮尤研究中心用一个简化的实验,展示了用于训练算法的数据是如何将隐藏的偏差、意外的错误引入到了系统结果中。研究人员表示,随着算法正在人类社会中发挥越来越重要的决策影响力,了解它们的局限、偏差具有重要意义。

然后找到企业首次违约债券历史估值时间序列的异常值,把该异常值作为一个明确“违约信号”可以有效甄别存量债券的信用风险。

为了减少对面部识别技术的滥用,算法正义联盟(Algorithmic Justice League)和隐私与技术中心(Center on Privacy & Technology)发起了“安全面孔承诺”(Safe Face Pledge)活动。

此前,多伦多大学的研究人员Deborah Raji和麻省理工学院媒体实验室的研究人员Joy Buolamwini撰写了研究报告,指出亚马逊的Rekognition在检测图像中肤色较深的女性性别时,要比判断肤色较浅男性性别的错误率高得多。该研究成果也得到了学者们的支持,但亚马逊曾对两人撰写的这篇报告及研究方法提出过异议。

当这些有偏差的识别系统被广泛应用到社会生活中,就可能导致更糟糕的后果。Joy Buolamwini在TED上发表题为How I"m fighting bias in algorithms的演讲

截至2019年11月3日,市场累计出现139个债券违约主体。可以找到124条“企业首次违约债券历史估值”时间序列数据。对该数据处理后得到 “个券信用利差”时间序列数据,再对“个券信用利差”数据进一步处理得到 “个券信用利差变动值”时间序列数据。

2、在信用债一级发行市场中,存在机构参与者较少和债券发行期数频次较低的现象。与企业合作深入的银行机构发现企业出现问题后,在悄悄出售持有的存量债券时,还有配合企业进一步获得外部资金支持的意愿。两个因素共同导致二级市场比一级市场更能有效地甄别信用风险。

友情链接: