Dominant Resource Fairness: Fair Allocation of Multiple Resource

2020-2021学年人教版道德与法治八年级下册第八课维护公平正义同步作业.pdf

结合PeriodPatch算法，通过给每一流赋予QOS水平参数，并吸收了排队策略中RED算法的思想提出了基于带宽公平分配和周期流合并策略的流调度算法（FBAPeriodPatch）。阐述了FBAPeriodpatch算法的五个组成部分；构造了仿真实验环境。通过实验得出了一组仿真数据，进一步分析了算法的性能，验证了它的可行性和先进性。

关于使用计算机做出决定——从招聘到贷款批准再到设定刑期——影响人类的担忧激增。 许多人指出，使用计算机程序为决策提供信息可能会导致偏见的传播或以其他方式导致不良结果。 许多人呼吁提高透明度，而其他人则呼吁调整算法以产生更加种族平衡的结果。 随着计算机在我们的日常生活中做出越来越重要和复杂的决定，这个问题可能会引起越来越多的关注。 本文借鉴了关于算法公平性的计算机科学和法律文献，对辩论做出了四个主要贡献：首先，它通过证明法律规则通常适用于算法决策者，对将“公平”纳入算法决策者的论点提供了法律回应。边约束，而不是可以优化的公平函数。 其次，通过从歧视法的角度看待这个问题，本文认识到计算决策者提出的问题与歧视法已经演变为控制的历史性、制度性歧视非常相似，这是对这个问题真正新颖的说法的回应因为它涉及计算机化的决策。 第三，该论文通过展示透明度对于提供问责制是不必要的，以及歧视法本身为如何处理不公平的算法歧视案件提供了一个模型，无论是否具有透明度，以此响应对计算决策透明度的呼吁。 第四，本文解决了一个在该主题上存在分歧的问题：如何纠正算法产生的歧视性结果。 我没有将问题视为二元问题，而是提供第三种方法，将纠正算法决策者的过程分解为两个单独的决策：拒绝旧过程的决定和采用新过程的单独决定。 这两项决定受不同法律要求的约束，为寻求避免最坏类型歧视结果的公司和机构提供了更大的灵活性。 最后，当前的歧视法为可能与“公平”相关的各种主张提供了大部分答案出现在计算决策者的背景下，而不管他们背后的具体技术如何。

基于效用最优化的多路径网络资源公平分配

提出了带权快速Max_Min公平分配算法，对该算法进行了摄动分析，从理论上证明了该算法的稳定性。给出了算法在ns-2下的仿真分析，验证了该算法的稳定性。

公平性：衡量R中的算法公平性 套餐概述 fairness R包提供了用于计算不同敏感组之间算法公平性度量的工具。 基于二元分类任务中的模型预测来计算度量。 该软件包还提供了机会来可视化和比较敏感群体之间的其他预测指标。 该软件包包含用于计算常用的公平机器学习指标的函数，例如： 人口平价 比例平价 均等赔率 预测汇率平价 此外，还实现了以下指标： 误报率平价 假负利率平价 精度平价 负预测价值平价 特异性均等 ROC AUC比较 MCC比较 提供了有关使用该软件包的全面教程。 我们建议您阅读本教程，因为与本自述文件相比，本教程包含对公平性软件包的更深入的描述。 您还会在公平找到一个简短的教程： vignette( ' fairness ' ) 安装 您可以通过运行以下命令从安装最新的稳定软件包版本： install.packages( ' fairness ' ) library(

AI Fairness 360（AIF360） AI Fairness 360工具包是一种可扩展的开放源代码库，包含由研究社区开发的技术，可帮助检测和减轻整个AI应用程序生命周期中机器学习模型的偏差。 AI Fairness 360软件包在Python和R中均可用。 AI Fairness 360软件包包括 用于数据集和模型以测试偏差的全面指标， 这些指标的说明，以及 减轻数据集和模型偏差的算法。 它旨在将实验室的算法研究转化为金融，人力资本管理，医疗保健和教育等广泛领域的实际实践。 我们邀请您使用它并进行改进。 对概念和功能进行了简要介绍。 这些提供了更深入的，面向数据科学家的介绍。 完整的API也可用。 作为一组全面的功能，弄清楚哪种度量标准和算法最适合给定用例可能会造成混淆。 为了提供帮助，我们创建了一些，可供参考。 我们在开发软件包时考虑了可扩展性。 该库仍在开发中。 我们鼓励您对指标，解释器和去偏置算法做出贡献。 与我们联系 （请）！ 支持的偏差缓解算法 优化的预处理（ ） 不同的冲击消除剂（ ） 均等几率后处理（ ） 重新称重（ ） 拒绝期权分类

从制度层面看公平与正义.pdf

数学建模关于公平合理的分配问题的模型建立