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。

本文综述移动与嵌入式平台深度神经网络推理优化研究，涵盖动态超网络实现算法与硬件协同的性能权衡（在Jetson Xavier NX上速度提升2.4倍或准确率提升5.1%）、分级资源管理器降低能耗与延迟，以及分布式DDNN、双重动态推理、DynO卸载框架、LC-Net全动态模型、GNNFlow图学习和JointDNN、Edgent协作推理等进展。

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...