构建公平的深度神经网络是实现可信的人工智能的关键步骤。研究发现深度神经网络内部的几何特征对公平性有影响。提出了内在维度正则化（IDR）的方法，减轻模型偏见并改善性能。

本文介绍了一种专为分布推理设计的流体动态DNNs（Fluid DyDNNs）方法，通过使用新颖的嵌套增量训练算法来提高其子网络的独立和组合操作能力，增强系统的可靠性和适应性。Fluid DyDNNs在单设备故障的情况下保证推理的持续性，而Static DNNs和Dynamic DNNs则失败。当设备全部正常运行时，Fluid DyDNNs可以在高精度模式下达到与Static DNNs相当的准确性，或者在高吞吐量模式下分别比Static和Dynamic DNNs提高2.5倍和2倍的吞吐量。

研究发现，人工智能和人类在小组决策方面具有互补技能。通过评估团队成员和AI代理人的专业知识，评估风险并达成共识，提出了人工智能-人类团队决策的模型。研究验证了前景理论、影响动态和贝叶斯学习在不确定情况下的人工智能团队和人类行为预测中的价值。

Paper link: SHEPHERD: Serving DNNs in the Wild Achieving scalability, high system goodput and maximize resource utilization, at the same time is hard for an inference system. while individual...