本文发表于ICML，并获得了ICML 2018最佳论文奖，文章探究了机器学习中不同标准下对公平性的标准评估，提出并分析了不同标准下的公平性带来的结果。 全文较长，分为主体讨论与定理证明的附页，文章具有一定的文学性，内容紧凑，证明普遍易懂。为防割裂，这里只做主体讨论中的主要内容。 原文地址： 机器学习的公平性主要是在静态分类环境中研究的，而不关心决策如何随时间而改变基础样本。传统观点认为，公平标准促进了它们旨在保护的群体的长期利益。 我们研究了静态公平标准如何与幸福感的时间指…
本文是作者在滴滴出行实习时发表的一篇文章，目的是出租车需求预测，特点在于结合了时间、空间、语义三方面的信息，运用多视图深度学习模型。 文章收录于AAAI 2018、 本文内容为个人翻译+创作，如有编写错误之处欢迎指正！ 原文地址： 出租车需求预测是智能城市中智能交通系统的重要组成部分 。一个准确的预测模型可以帮助城市预先分配资源来满足旅行需求并减少空车、浪费资源。 然而，传统的需求预测主要依赖于时间序列预测（Time Series Forecasting），无法模拟复杂的非线性时空关系；…
