BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 ·

公平和追索中的反事实推理的新范型

💡 原文中文，约300字，阅读约需1分钟。
📝

内容提要

本文使用机器学习系统支持医疗保健决策制定，探讨使用电子医疗记录中的观察性数据中的偏见和组公平性标准的发展。通过反事实推理的方法，在公平维护与预测性能下降之间进行权衡。

🏷️

标签

偏见 医疗保健 机器学习 电子医疗记录 组公平性
➡️

继续阅读

  1. 机器人不能停下来等模型：星尘发布 SmoothRL，让在线强化学习跟上大模型的异步推理
    星尘智能发布SmoothRL框架，解决真实机器人异步执行中的在线强化学习问题。该框架仅对实际执行的动作进行学习，并保持训练与部署节奏一致。在投掷、戴笔帽、...
  2. Kimi K3 模型结构（10）：RL 与服务，状态住在哪里
    本文介绍Kimi K3模型在1M上下文强化学习与线上服务中的系统设计，核心是状态管理。KV块和KDA状态通过write-back策略在GPU与DRAM池间...
  3. Kimi K3 模型结构（9）：显存，把 2.8T 塞进 GPU
    本文详解Kimi K3模型训练中的显存优化策略，通过账本形式分析权重、激活等内存占用，并介绍六项关键技术：均衡PP rank激活、统一激活管理器、MoE反...
  4. DeepSeek-V4 模型结构（7）：结构决定系统
    DeepSeek-V4模型采用混合压缩注意力（mHC），将KV缓存分为状态缓存和分页缓存，分别管理滑窗KV与压缩条目。上下文并行通过点对点通信和all-g...
  5. DeepSeek-V4 模型结构（6）：优化器与稳定性，Muon
    DeepSeek-V4采用Muon优化器，通过谱范数最速下降实现逐矩阵正交化，用Newton-Schulz迭代逼近SVD，混合系数提升小奇异值并精确稳定大...
  6. Kimi K3 模型结构（8）：训练并行，一步训练里谁在等谁
    本文介绍Kimi K3模型预训练的并行系统设计，聚焦MoE层expert并行。核心是MoonEP方案：每个rank预留E/R个冗余expert槽位，确保任...
👤 个人中心
在公众号发送验证码完成验证