同花顺彩票首页-同花顺彩票下载安装

作者:大发快3手机发布时间:2019年11月18日 13:56:36  【字号:      】

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

2014年1月,上海清算所正式推出“人民币利率互换集中清算”业务;同月,中国人民银行发布通知要求人民币利率互换实行强制集中清算。集中清算又被称为中央对手方清算,是指由专业的清算机构通过将自身介入金融市场的交易之中,成为所有交易参与者共同的中央对手方,从而担保已达成交易的最终履行。上海清算所对人民币利率互换实行集中清算机制,按多边净额方式计算各清算会员在相同结算日的利息净额,保证合约履行、完成利息净额结算,同时将清算会员间的信用风险转变为上海清算所与清算会员间的标准信用风险。五年多来,上海清算所的集中清算机制推动了利率互换产品的标准化,有效发挥了中央对手方风险管理优势,已成为宏观审慎监管的重要抓手;同时集中清算机制还强化了利率互换主流品种所参考利率的市场影响力和定价权,系统性地降低了金融市场的运行成本,推动人民币利率互换交易规模迅猛增长,保障了人民币利率互换市场的稳健发展。

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。

研究人员还测量了图像中女性面部与男性面部的大小情况(目前的技术只能捕捉人脸的大小情况,忽略了头发、珠宝和头饰等因素的影响)。结果显示,男性面孔平均占到的图像面积更大,这种差异导致图像中男性平均面部尺寸比女性大出了10%。在Facebook的图像中,这表现为男性人物能给读者带来更大的视觉冲击。

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。

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。

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。”

导读:集中清算机制可以提高交易运行效率、降低交易风险、减少场外交易对商业银行资本的占用以及提升监管效率,从而促进人民币利率互换市场繁荣发展

AI的种族歧视,是算法盲点还是人心叵测?

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%。

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。

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

随着利率市场化的推进,特别是央行改革贷款基础利率(LPR)报价机制之后,利率衍生品的风险管理作用将越发突显。针对人民币利率互换集中清算机制的未来发展方向,笔者拟从市场参与者角度提供几点建议,供决策者参考。

2008年国际金融危机爆发后,国际上普遍认识到,一个健康的场外衍生品市场离不开中央对手方清算机制。2014年上海清算所开始实行的人民币利率互换集中清算是金融市场基础建设的重要成果,标志着我国在场外金融衍生品集中清算方面走在了世界前列。集中清算机制推出以来,我国人民币利率互换市场交易规模实现了跨越式增长:2015年人民币利率互换名义本金规模超过8万亿元,为2013年的3倍;2018年,全年名义本金规模已经突破21.5万亿元;至2018年末,共有超过200家金融机构参与人民币利率互换交易集中清算。

具体来看,集中清算机制促进人民币利率互换市场繁荣发展的内在机理主要体现在其提高交易运行效率、降低交易风险、减少场外交易对商业银行资本的占用以及提升监管效率等几个方面。

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。”

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。

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。

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。

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。

市场透明化便利监管效率提升。传统金融衍生品场外市场一直存在着透明度差、风险隐患大、难于监管等问题。上海清算所引入人民币利率互换集中清算机制后,能够及时掌握该市场的交易结算数据,全面准确地了解市场信息,第一时间获得利率互换市场存量交易的累计风险敞口并进行风险预警和管控,为监管机构提供了便利,有助于提高监管效率,从而保障市场的安全性和稳定性。

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。

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/

2014年7月,浦发银行成为上海清算所人民币利率互换集中清算业务首批5家综合清算会员之一,并在集中清算机制实施首日顺利完成全市场首笔通过集中清算的人民币利率互换交易提交。上海清算所集中清算机制每日提供逐笔交易估值,与浦发银行内部系统估值进行核对,有效避免头寸和交易利息可能出现不一致的情形。此后,浦发银行在人民币利率互换业务领域持续深耕细作,不断开拓创新。

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。

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/

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:。

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。

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。”

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?

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。

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。

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。”

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%。

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。

本文来自公众号:全媒派(ID:quanmeipai)。完善人民币利率互换集中清算机制

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。

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。

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

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。




聚福彩票官网整理编辑)

专题推荐