Абс паскаль учебник: Calaméo — Учебник по Pascal ABC

какие отличия? — Хабр Q&A

Насколько помню, PascalABC задумывался как простая среда обучения программированию. Более современная, чем TP. К ней прилагается(-лся) учебник с задачами, с решениями.
Разницы с точки зрения синтаксиса никакой. Код отличаться не будет.

Ответ написан более трёх лет назад

Комментировать

Использовать FreePascal. Он очень хорошо совместим.
В нем даже есть весьма похожая на TurboPacal IDE среда разработки.
Все различие — писать не tp, а fp при запуске из командной строки.

Ответ написан более трёх лет назад

pascalabc.

net

Это просто паскаль с .net
Можете не использовать .net и компилить обычный паскаль.

Ответ написан более трёх лет назад

Комментировать

У ABC от примеров из этого учебника может здорово поехать крыша. Основные проблемы могут возникнуть с графикой. Лучше используйте Freе Pascal, он лучше совместим с BP.

Ответ написан более трёх лет назад

Комментировать

Сильно отличается работа с графикой. В остальном, в принципе, все то же самое.
в любом случае, все можно найти в гугле
по теме той же графики есть немало статей, адаптированных под ABC

Ответ написан 2015, в 20:01″> более трёх лет назад

Комментировать

Несовместимы.
Самые простейшие примеры можно и во FreePascal делать, но он тоже не совместим.

Единственный полноценный выход — ставить DosBox и запускать TP7 под ним.

Но если есть возможность, не надо изучать это проплесневевшие поделие (по современным меркам), возьмите PyCharm Educational Edition и начинайте с Python.

Ответ написан

более трёх лет назад

По сути тоже самое, главные отличия в модуле GraphABC

Ответ написан более трёх лет назад

Комментировать

Кому будет ещё интересна данная тема, советую посмотреть презентацию школьного учителя информатики, в ней хорошо рассказывается об основных нововведениях АБЦНЕТ www. edu54.ru/upload/files/2016/190216_1.pdf

Ответ написан более трёх лет назад

Комментировать

Это примерно тоже самое, просто нету расширения .net

Ответ написан более двух лет назад

Комментировать

Программирование — Информатика — Сообщество взаимопомощи учителей Педсовет.su

Егорова Елена 5.0

Отзыв о товаре ША PRO Анализ техники чтения по классам
и четвертям

Хочу выразить большую благодарность от лица педагогов начальных классов гимназии «Пущино» программистам, создавшим эту замечательную программу! То, что раньше мы делали «врукопашную», теперь можно оформить в таблицу и получить анализ по каждому ученику и отчёт по классу. Великолепно, восторг! Преимущества мы оценили сразу. С начала нового учебного года будем активно пользоваться. Поэтому никаких пожеланий у нас пока нет, одни благодарности. Очень простая и понятная инструкция, что немаловажно! Благодарю Вас и Ваших коллег за этот важный труд. Очень приятно, когда коллеги понимают, как

можно «упростить» работу учителя.

Наговицина Ольга Витальевна 5.0

учитель химии и биологии, СОШ с. Чапаевка, Новоорский район, Оренбургская область
Отзыв о товаре ША Шаблон Excel Анализатор результатов ОГЭ
по ХИМИИ

Спасибо, аналитическая справка замечательная получается, ОГЭ химия и биология. Очень облегчило аналитическую работу, выявляются узкие места в подготовке к экзамену. Нагрузка у меня, как и у всех учителей большая. Ваш шаблон экономит время, своим коллегам я Ваш шаблон показала, они так же его приобрели. Спасибо.

Чазова Александра 5.

0

Отзыв о товаре ША Шаблон Excel Анализатор результатов ОГЭ по
МАТЕМАТИКЕ

Очень хороший шаблон, удобен в использовании, анализ пробного тестирования занял считанные минуты. Возникли проблемы с распечаткой отчёта, но надо ещё раз разобраться. Большое спасибо за качественный анализатор.

Лосеева Татьяна Борисовна 5.0

учитель начальных классов, МБОУ СОШ №1, г. Красновишерск, Пермский край
Отзыв о товаре Изготовление сертификата или свидетельства конкурса

Большое спасибо за оперативное изготовление сертификатов! Все очень красиво. Мой ученик доволен, свой сертификат он вложил в портфолио. Обязательно продолжим с Вами сотрудничество!

Язенина Ольга Анатольевна 4.0

учитель начальных классов, ОГБОУ «Центр образования для детей с особыми образовательными потребностями г. Смоленска»

Отзыв о товаре Вебинар Как создать интересный урок:
инструменты и приемы

Я посмотрела вебинар! Осталась очень довольна полученной информацией. Всё очень чётко, без «воды». Всё, что сказано, показано, очень пригодится в практике любого педагога. И я тоже обязательно воспользуюсь полезными материалами вебинара. Спасибо большое лектору за то, что она поделилась своим опытом!

Арапханова Ашат 5.0

ША Табель посещаемости + Сводная для ДОУ ОКУД

Хотела бы поблагодарить Вас за такую помощь. Разобралась сразу же, всё очень аккуратно и оперативно. Нет ни одного недостатка. Я не пожалела, что доверилась и приобрела у вас этот табель. Благодаря Вам

сэкономила время, сейчас же составляю табель для работников. Удачи и успехов Вам в дальнейшем!

Дамбаа Айсуу 5.0

Отзыв о товаре ША Шаблон Excel Анализатор результатов ЕГЭ по
РУССКОМУ ЯЗЫКУ

Спасибо огромное, очень много экономит времени, т.к. анализ уже готовый, и особенно радует, что есть варианты с сочинением, без сочинения, только анализ сочинения! Превосходно!

CIGPU-2009 Семинар и учебное пособие GECCO 2009

CIGPU-2009 Семинар и учебное пособие GECCO 2009CIGPU-2012 Австралия, 10–15 июня 2012 г. Комната: Сент-Чарльз (антресольный этаж) Дельта Центр-Виль, 777 Университетская улица, Монреаль (автобус в аэропорт, такси $38.00 (CAD) в одну сторону (плюс чаевые), Погода)
Крайний срок подачи статьи: 25 марта 2009 г. Уведомление авторам: 3 апреля 2009 г.
Предоставление готовой к работе версии: 17 апреля 2009 г.
Автор Регистрация на конференцию: 27 апреля 2009 г.
Срок подачи заявок на конкурс: 23 июня 2009 г.

Время	Название		Бумага	Фото
8:30 — 8:40	CIGPU 2009 Введение	Гарнетт Уилсон		фото
8:40 — 9:05	Быстрый Высокий Качественный генератор псевдослучайных чисел для nVidia CUDA	Билл Лэнгдон	абс дои	фото
9:05 — 9:30	Развертывание генетического программирования на основе ЦП и ГП на гетерогенных устройствах	Гарнетт Уилсон	абс дои	фото
9:30 — 9:55	Развивающийся мягкий Роботизированное передвижение в PhysX	Джон Риффель	абс дои	фото
9:55 — 10:20	Открытое обсуждение, включая опыт работы с новейшими графическими процессорами и товарами. графические технологии	Под председательством У. Б. Лэнгдона
ПЕРЕРЫВ
10:40 — 11:05	Дизайн и Реализация операторов параллельного GA в реальном времени на процессоре IBM Cell	Паскаль Конт	абс дои	рис
11:05 — 11:30	Дизайн и Реализация Parallel Linear GP для процессора IBM Cell	Паскаль Конт	абс дои
11:30 — 11:55	Оценка Cell Broadband Engine как платформа для оценки распределения Алгоритмы	Карлос Перес-Мигель	абс дои	фото
11:55 — 12:20	Решение квадратного уравнения Проблемы назначения с помощью генетических алгоритмов с вычислениями на GPU: случай Этюд	Шигеёси Цуцуи	абс дои	фото
ПЕРЕРЫВ НА ОБЕД (включая обсуждения)
14:00 — 14:25	Параллельные многоцелевые эволюционные алгоритмы на графических процессорах	Ман Люнг Вонг	абс дои	фото
14:25 — 14:50	Параллельный Скрытый Семантический анализ с использованием графического процессора	Сяохуэй Цуй	абс дои	фото
14:50 — 15:50	Презентации GPU участники конкурса	Под председательством Саймона Хардинга
ПЕРЕРЫВ 15:50 — 15:55 План CIGPU 2010 У. Б. Лэнгдон
16:10 — 18:00	Учебник по графическому процессору, Картье B (Этаж C) дои	Вольфганг Банцаф и Саймон Хардинг

Публикация

Все принятые статьи будут представлены на CIGPU 2009 и опубликованы ACM Press в материалах семинара, которые будут включены в материалы GECCO компакт-диск с сопутствующими материалами и размещены в цифровой библиотеке ACM.

---

Формат и расписание семинара

CIGPU 2009 будет проходить в формате полного дня (см. выше) включая:

---

Стулья для мастерских

• Доктор Гарнетт Уилсон, Департамент компьютерных наук, Мемориальный университет Ньюфаундленда, Канада, [email protected]
• Доктор Саймон Хардинг, Департамент компьютерных наук, Мемориальный университет Ньюфаундленда, Канада, [email protected]
• Доктор У. Б. Лэнгдон, Департамент компьютерных наук, Королевский колледж Лондона, Великобритания
• Доктор Ман Леунг Вонг, Департамент вычислительной техники и наук о принятии решений, Университет Линнань, Гонконг, [email protected]

Программный комитет

Малкольм Хейвуд, Вай-Ман Панг, Рагхавендра Д. Прабху, Тянь-Цин Вонг, Стефан Гоброн, Игнасио Идальго, Франсиско Фернандес де Вега, Хуан Ланчарес, Денис Робильярд

---

Прием документов (PDF)

Второй международный семинар и учебное пособие по вычислительному интеллекту в потребительских играх и графическом оборудовании (CIGPU 2009) пройдет в Монреале, Канада, в рамках конференции по генетическим и эволюционным вычислениям (GECCO-2009), 8-12 июля 2009 г.

---

Каждый, кто реализовал эволюционный алгоритм или другой подход к вычислительному интеллекту с использованием графических процессоров (GPU), систем видеоигр, мобильных устройств, сотовых телефонов и т. д., захочет принять участие в этом семинаре. Из-за его скорости, цены и доступности растет интерес к использованию оборудования массового потребительского рынка для инженерных и научных приложений. В основном это было сосредоточено на графическом оборудовании, особенно на графических процессорах, из-за их способности обеспечивать производительность в терафлопс на рабочем столе с использованием ограниченной формы параллельных вычислений (известных как вычисления общего назначения на графических процессорах или GPGPU). Также растет интерес к использованию вычислительной мощности игровых консолей, таких как Microsoft Xbox, Sony Playstation и процессор Cell, а также портативных развлекательных и/или мобильных мобильных устройств для исследований и приложений.

Материалы были приглашены в (но не ограничиваясь) в следующих областях:

• Параллельное генетическое программирование (ГП) на GPU
• Параллельные генетические алгоритмы (ГА) на GPU
• Параллельное эволюционное программирование (EP) на GPU
• Связанные или гибридные методы вычислительного интеллекта на GPU
• Машины опорных векторов
• Байесовские сети
• Алгоритмы параллельного поиска
• Интеллектуальный анализ данных
• Дифференциальная эволюция на GPU
• Вычислительная биология или биоинформатика на GPU
• Эволюционные вычисления на платформах видеоигр
• Эволюционные вычисления на мобильных устройствах

Цели и задачи

Графические процессоры обеспечивают очень ограниченный тип параллельной обработки. Карты для ПК, такие как 9800 GTX или RV670. что дать террафлоп на вашем столе но как на самом деле получить его для нетривиальных приложений? Одним из основных преимуществ специальной сессии CIGPU будет распространять знания об инструментах и ​​методах, необходимых для получения лучшие из этих широко доступных, но трудных для полного использования потребительское оборудование.

Введение

Из-за его скорости, цены и доступности растет интерес в использовании товарной техники массового потребления для машиностроения и научные приложения. В основном это было сосредоточено на графике оборудование, особенно графические процессоры. Однако растет и интерес при использовании игровых консолей, таких как Microsoft Xbox, Sony Playstation и процессор Cell для исследований и приложений. Действительно, нвидиа недавно объявили Теслу «научной» версией своего новейшие графические процессоры. В будущем физические движки для персональных компьютеров, которые предназначены для обеспечения реалистичного моделирования многотельных систем в реальном времени. физика для сложных игр, также может быть адаптирована для нужд науки (а не имитировать его). На WCCI 2008 была проведена специальная сессия сосредоточив внимание на использовании этих платформ для вычислительного интеллекта. CIGPU-2008 оказался успешным мероприятием. Мы не только смогли выбрать достаточное количество бумаги высокого качества, но также иметь две панели обсуждения. Полный обзор сессии можно найти в СИЖЕВО Весна 2008 г. Новостная рассылка. Учитывая успех ЦИГПУ-2008, мы уверены, что последующий семинар также будет хорошо принят. Список публикаций, связанных с эволюционными вычислениями на типе GPU. платформы можно найти на http://www.gpgpgpu.com.

Интерес к сообществу

Использование стандартного графического оборудования для научных вычислений (часто называемые вычислениями общего назначения на графических процессорах, GPGPU) быстро завоевывает популярность. Однако их использование в эволюционные вычисления только появляются. Почему это? графические процессоры обеспечивают очень ограниченный тип параллельной обработки. Карты для ПК, такие как 8800 GTX или RV670 должны обеспечивать производительность в терафлопс на вашем столе, но вопрос в том, как на самом деле использовать его для нетривиальных Приложения. Одним из основных преимуществ семинара CIGPU будет заключаться в распространении знаний об инструментах и ​​методах, которые требуются чтобы получить лучшее от этих широко доступных, но трудно полностью эксплойт, потребительские аппаратные платформы. Семинар позволит исследователи, чтобы продемонстрировать типы приложений, которые могут быть реализованы на этом аппаратном обеспечении. Мы ожидаем, что вычислительная мощность этих устройств, чтобы обеспечить значительный прогресс в эволюции вычисления, которые необходимо произвести. Несколько ссылок на другие страницы, интересующиеся вычислениями общего назначения. на графическом оборудовании

• СИГПУ 2012
• СИГПУ 2011
• СИГПУ 2010
• СИГПУ 2008 г.
• gpgpgpu.com
• gpgpu.org

Благодарности

Логотип CIGPU 2009 был щедро разработан и предоставлен Тарас Ковалив.

---

WBLangdon 15 октября 2008 г. (последнее обновление 2 июля 2014 г.)

Trustworthy ML — Ресурсы

Ниже приведен (неполный) список ресурсов и фундаментальных статей, которые мы рекомендуем исследователям и практикам, которые хотят больше узнать о Trustworthy ML. Мы классифицируем наши ресурсы следующим образом: (i) Introductory , предназначенный для мягкого введения в концепции высокого уровня и включающий учебные пособия, учебники и веб-страницы курсов, и (ii) Advanced , предназначенный для более глубокого погружения в конкретные темы или концепции и включающий ссылки на соответствующие влиятельные документы. .

Несмотря на то, что мы делаем все возможное, чтобы этот список ресурсов был актуальным и исчерпывающим, нам становится трудно идти в ногу со всей этой замечательной работой. Мы пропустили полезную ссылку или важную статью? Напишите нам по адресу trustworthyml@gmail. com.

Introductory Resources

General

Interpretability and Explainability

Fairness

• Articles :

  1. Sam Corbett-Davies and Sharad Goel. «Мера и неправильное измерение справедливости: критический обзор справедливого машинного обучения». https://arxiv.org/pdf/1808.00023.pdf

  2. Александра Чулдехова и Аарон Рот. «Границы справедливости в машинном обучении». https://arxiv.org/pdf/1810.08810.pdf

  3. Нинаре Мехраби, Фред Морстаттер, Нрипсута Саксена, Кристина Лерман и Арам Галстян. «Обзор предвзятости и справедливости в машинном обучении». https://arxiv.org/pdf/1908.09635.pdf

  4. Мегнан Ду, Фан Ян, На Цзоу и Ся Ху. «Справедливость в глубоком обучении: вычислительная перспектива». https://arxiv.org/pdf/1908.08843.pdf

Состязательное машинное обучение

• Учебные пособия и доклады :

  1. Зико Колтер и Александр Мадри. «Состязательная устойчивость: теория и практика». NeurIPS, 2018. https://adversarial-ml-tutorial.org/

  2. Ян Гудфеллоу. «Состязательные примеры и состязательная подготовка». Стэндфордский Университет. https://youtu.be/CIfsB_EYsVI

  3. Александр Модри и Людвиг Шмидт. «Краткое введение в состязательные примеры». https://gradientscience.org/intro_adversarial/

  4. Ян Гудфеллоу, Николас Паперно, Сэнди Хуанг, Рокки Дуан, Питер Аббил и Джек Кларк. «Атака машинного обучения на состязательных примерах». https://openai.com/blog/adversarial-example-research/

  5. Бо Ли, Доун Сонг и Евгений Воробейчик. «Учебник по состязательному машинному обучению». AAAI, 2018. https://aaai18adversarial.github.io/index.html#syl

  6. Николас Карлини. «Список литературы по состязательному машинному обучению». https://nicholas.carlini.com/writing/2018/adversarial-machine-learning-reading-list.html

Дифференциальная конфиденциальность

• ---

  4 9 0 3 0 70339

  Катрина Лигетт. «Дифференциальная конфиденциальность: инструменты, результаты и границы». NeurIPS, 2014. https://www.youtube.com/watch?v=hoEyvHCRRc8

• Камалика Чаудхури и Ананд Сарвате. «Дифференциально частное машинное обучение: теория, алгоритмы и приложения». NeurIPS, 2017. https://neurips.cc/Conferences/2017/ScheduleMultitrack?event=8732

• Катрина Лигетт, Кобби Ниссим, Виталий Шматиков, Адам Смит и Джон Ульман. «Дифференциальная конфиденциальность: от теории к практике». 7-я Зимняя школа BIU по криптографии, 2017 г. http://cyber.biu.ac.il/event/the-7th-biu-winter-school/

• Катрина Лигетт. «Учебник по дифференциальной конфиденциальности». Большие данные и дифференциальная конфиденциальность, 2013 г. https://simons.berkeley.edu/talks/katrina-ligett-2013-12-11

• Дэмиен Дефонтен. «Список чтения по дифференциальной конфиденциальности». https://desfontain.es/privacy/ Differential-privacy-reading-list.html

• Курсы :

  1. Джонатан Ульман. «Строгие подходы к конфиденциальности данных». Северо-восточный университет. http://www. ccs.neu.edu/home/jullman/cs7880s17/syllabus.html

  2. Ашвин Мачанаджхала. «Разработка стабильных алгоритмов для конфиденциальности и обучения». Университет Дьюка. https://www2.cs.duke.edu/courses/fall16/compsci590.3/

  3. Аарон Рот. «Дифференциальная конфиденциальность в теории игр и разработке механизмов». Пенсильванский университет. https://www.cis.upenn.edu/~aaroth/courses/gametheoryprivacyS14.html

  4. Салил Вадхан. «Математические подходы к конфиденциальности данных». Гарвардский университет. http://people.seas.harvard.edu/~salil/diffprivcourse/spring13/

  5. Гаутам Каматх. «Алгоритмы анализа частных данных». Университет Ватерлоо. http://www.gautamkamath.com/CS860-fa2020.html

  6. Мони Наор. «Основы конфиденциальности». Научный институт Вейцмана. http://www.wisdom.weizmann.ac.il/~naor/COURSE/foundations_of_privacy. html

• Книги :

  1. Синтия Дворк. «Алгоритмические основы дифференциальной конфиденциальности». https://www.cis.upenn.edu/~aaroth/Papers/privacybook.pdf

  2. Салил Вадхан. «Сложность дифференциальной конфиденциальности». https://privacytools.seas.harvard.edu/files/privacytools/files/complexityprivacy_1.pdf

• Статьи :

  1. Гаутан Каллман и Наталья. «Учебник по частной статистике». https://arxiv.org/abs/2005.00010

  2. Кобби Ниссим, Томас Стейнке, Александра Вуд, Марк Бун, Марко Габорди, Дэвид Р. О’Брайен и Салил Вадхан. «Дифференциальная конфиденциальность: учебник для нетехнической аудитории». https://privacytools.seas.harvard.edu/files/privacytools/files/pedagogical-document-dp_0.pdf

  3. Синтия Дворк, Адам Смит, Томас Стейнке и Джонатан Ульман. «Разоблачено! Обзор атак на частные данные». Ежегодный обзор статистики и ее применения, 2017 г. https://privacytools.seas.harvard.edu/publications/exposed-survey-attacks-private-data

• Другие форумы:

  92543

• DifferentialPrivacy.org. https://дифференциалprivacy.org/

Причинно-следственная связь

• Обучающие видео и лекции :

  1. Ференц Хусар. «Причинно-следственный вывод в повседневном машинном обучении». MLSS, 2019. https://www.youtube.com/watch?v=HOgx_SBBzn0 (3 части)

  2. Амит Шарма и Эмре Кичиман. «Учебник по причинно-следственным выводам и контрфактуальным рассуждениям». ACM KDD, 2018. https://causalinference.gitlab.io/kdd-tutorial/

  3. Хосе Рамон Субисаррета и Шарон-Лизе Норманд. «Введение в причинно-следственный вывод». ХДСИ, 2019 г.. https://www.youtube.com/watch?v=jSV052cE5n8

  4. Сьюзен Эти. «Машинное обучение и причинно-следственный вывод для оценки политики». Гарвардская конференция CMSA по большим данным, 2015 г. «Книга почему: новая наука о причине и следствии». http://bayes.cs.ucla.edu/WHY/

  5. Джудеа Перл, Мадлен Глимур и Николас Джуэлл. «Причинный вывод в статистике: учебник для начинающих». http://bayes.cs.ucla.edu/PRIMER/

  6. Гвидо Имбенс и Дональд Рубин. «Причинный вывод для статистики, социальных и биомедицинских наук: введение». https://www.amazon.com/Causal-Inference-Statistics-Biomedical-Sciences/dp/0521885884

  7. Эрнан М.А. и Робинс Дж.М. «Причинно-следственный вывод: что, если». Бока-Ратон: Чепмен и Холл/CRC. https://cdn1.sph.harvard.edu/wp-content/uploads/sites/1268/2020/07/ci_hernanrobins_31july20.pdf

  8. Эмре Кичиман и Амит Шарма. «Причинное рассуждение: основы и приложения машинного обучения». https://causalinference.gitlab.io/

РАСШИРЕННЫЕ ресурсы

Интерпретируемость и объяснимость

• Марко Тулио Рибейро, Самир Сингх и Карлос Гестрин. «Почему я должен тебе доверять? Объясняя предсказания любого классификатора». KDD, 2016. https://arxiv.org/abs/1602.04938

• Скотт М. Лундберг и Су-Ин Ли. «Единый подход к интерпретации модельных прогнозов». NeurIPS, 2017. https://papers.nips.cc/paper/7062-a-unified-approach-to-interpreting-model-predictions.pdf

• Химабинду Лаккараджу, Стивен Х. Бах и Юре Лесковец. «Интерпретируемые наборы решений: совместная структура для описания и прогнозирования». KDD, 2016. https://www-cs-faculty.stanford.edu/people/jure/pubs/interpretable-kdd16. pdf

• Берк Устун и Синтия Рудин. «Оптимизированные оценки риска». KDD, 2017. https://canvas.harvard.edu/courses/68154/files/?preview=8630586

• Бин Ким, Раджив Кханна и Олувасанми Коеджо. «Примеров недостаточно, научитесь критиковать! Критика для интерпретируемости». NeurIPS, 2016. https://papers.nips.cc/paper/6300-examples-are-not-enough-learn-to-criticize-criticism-for-interpretability

• Сара Хукер, Дмитрий Эрхан, Питер-Ян Киндерманс и Бин Ким. «Эталон методов интерпретации в глубоких нейронных сетях». NeurIPS, 2019. https://arxiv.org/abs/1806.10758

• Джулиус Адебайо, Джастин Гилмер, Майкл Мюлли, Ян Гудфеллоу, Мориц Хардт и Бин Ким. «Проверки работоспособности для карт значимости». NeurIPS, 2018. https://papers.nips.cc/paper/8160-sanity-checks-for-saliency-maps.pdf

• Сандра Вахтер, Брент Миттельштадт и Крис Рассел. «Контрфактические объяснения без открытия черного ящика». Гарвардский журнал права и технологий, 2018 г. https://arxiv.org/pdf/1711.0039.9.pdf

• Бин Ким, Мартин Ваттенберг, Джастин Гилмер, Кэрри Кай, Джеймс Векслер, Фернанда Вьегас и Рори Сейрес. «Интерпретируемость за пределами атрибуции функций: количественное тестирование с векторами активации концепции (TCAV)». ICML, 2018. https://arxiv.org/abs/1711.11279

• Химабинду Лаккараджу, Эдже Камар, Рич Каруана и Юре Лесковец. «Точные и настраиваемые объяснения моделей черного ящика». AIES, 2019 г. https://web.stanford.edu/~himalv/customizable.pdf

• Пан Вэй Кох и Перси Лян. «Понимание прогнозов черного ящика с помощью функций влияния». ICML, 2017. https://arxiv.org/pdf/1703.04730.pdf

• Сара Тан, Рич Каруана, Джайлз Хукер и Инь Лу. «Выделение и сравнение: аудит моделей черного ящика с использованием прозрачной дистилляции модели». AIES, 2018. https://arxiv.org/abs/1710.06169

• Дилан Слэк, Софи Хилгард, Эмили Джиа, Самир Сингх и Химабинду Лаккараджу. «Обман LIME и SHAP: состязательные атаки на апостериорные методы объяснения». AIES, 2020 г. https://arxiv.org/abs/1911.02508

• И. Элизабет Кумар, Суреш Венкатасубраманян, Карлос Шайдеггер и Сорелл А. Фридлер. «Проблемы с объяснениями, основанными на значениях Шепли, как меры важности признаков». ICML, 2020. https://arxiv.org/abs/2002.11097

Справедливость

• Солон Барокас и Эндрю Селбст. «Разрозненное влияние больших данных». California Law Review, 2016 г. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2477899

• Ричард Берк, Хода Хейдари, Шахин Джаббари, Майкл Кернс и Аарон Рот. «Справедливость в оценке рисков уголовного правосудия: современное состояние». Социологические методы и исследования, 2018. https://arxiv.org/abs/1703.09207

• Синтия Дворк, Мориц Хардт, Тонианн Питасси, Омер Рейнгольд и Ричард Земель. «Справедливость через осознание». ITCS, 2012. https://dl.acm.org/doi/10.1145/20

  .20

• Майкл Фельдман, Сорелл А. Фридлер, Джон Меллер, Карлос Шайдеггер и Суреш Венкатасубраманян. «Сертификация и устранение разрозненных воздействий». КДД, 2015. https://arxiv.org/abs/1412.3756

• Мориц Хардт, Эрик Прайс и Натан Сребро. «Равенство возможностей в контролируемом обучении». NeurIPS, 2016. https://arxiv.org/abs/1610.02413

• Джон Клейнберг, Сендхил Муллайнатан и Маниш Рагхаван. «Неотъемлемые компромиссы в справедливом определении оценок риска». ITCS, 2017. https://arxiv.org/abs/1609.05807

• Сорелле Фридлер, Карлос Шайдеггер и Суреш Венкатасубраманян. «О (не)возможности справедливости». https://arxiv.org/abs/1609.07236

• Сэм Корбетт-Дэвис, Эмма Пирсон, Ави Феллер, Шарад Гоэль и Азиз Хук. «Алгоритмическое принятие решений и цена справедливости». KDD, 2017. https://arxiv.org/abs/1701.08230

• Мэтт Каснер, Джошуа Лофтус, Крис Рассел и Рикардо Силва. «Контрфактическая справедливость». NeurIPS, 2017. https://arxiv.org/abs/1703.06856

• Ники Килбертус, Матео Рохас-Карулла, Джамбаттиста Параскандоло, Мориц Хардт, Доминик Янцинг и Бернхард Шолкопф. «Избегание дискриминации с помощью причинно-следственной связи». NeurIPS, 2017. https://arxiv.org/abs/1706.02744

• Флавио Калмон, Деннис Вей, Бханукиран Винзамури, Картикеян Натесан Рамамурти и Куш Р. Варшни. Оптимизированная предварительная обработка для предотвращения дискриминации. NeurIPS, 2017. https://arxiv.org/abs/1704.03354

• Толга Болукбаси, Кай-Вей Чанг, Джеймс Зоу, Венкатеш Салиграма и Адам Калай. «Мужчина для программиста, как женщина для домохозяйки? Устранение предвзятости встраивания слов». NeurIPS, 2016. https://arxiv.org/abs/1607.06520

• Джой Буоламвини и Тимнит Гебру. «Гендерные оттенки: несоответствие точности пересечения в коммерческой гендерной классификации». FAT*, 2018. http://proceedings.mlr.press/v81/buolamwini18a/buolamwini18a.pdf

Состязательное машинное обучение

• Ян Дж. Гудфеллоу, Джонатон Шленс и Кристиан Сегеди. «Объяснение и использование состязательных примеров». ICLR, 2015. https://arxiv.org/abs/1412.6572

• Кристиан Сегеди, Войцех Заремба, Илья Суцкевер, Джоан Бруна, Думитру Эрхан, Ян Гудфеллоу и Роб Фергус. «Интересные свойства нейронных сетей». ICLR, 2014. https://arxiv.org/abs/1312.6199

• Эндрю Ильяс, Шибани Сантуркар, Димитрис Ципрас, Логан Энгстрем, Брэндон Тран и Александр Модри. «Состязательные примеры — это не ошибки, это особенности». НейрИПС, 2019 г.. https://arxiv.org/abs/1905.02175

• Николя Паперно, Патрик Макдэниел, Сомеш Джа, Мэтт Фредриксон, З. Беркай Челик и Анантрам Свами. «Ограничения глубокого обучения в состязательных условиях». Европейский симпозиум IEEE по безопасности и конфиденциальности, 2016 г. https://arxiv.org/abs/1511.07528

• Сейед-Мохсен Мусави-Дезфули, Альхусейн Фавзи и Паскаль Фроссар. «DeepFool: простой и точный метод обмана глубоких нейронных сетей». ЦВПР, 2016 г. https://arxiv.org/abs/1511.04599

• Баттиста Биджио, Иджино Корона, Давиде Майорка, Блейн Нельсон, Недим Шрндич, Павел Ласков, Джорджио Джачинто и Фабио Роли. «Атаки уклонения от машинного обучения во время тестирования». ECML PKDD, 2013. https://arxiv.org/abs/1708.06131

• Ян Хендрик Мезтен, Тим Геневейн, Фолькер Фишер и Бастиан Бишофф. «Об обнаружении враждебных возмущений». ICLR, 2017. https://arxiv.org/abs/1702.04267

• Александр Модри, Александр Макелов, Людвиг Шмидт, Димитрис Ципрас и Адриан Владу. «На пути к моделям глубокого обучения, устойчивым к атакам со стороны противника». ICLR, 2018. https://arxiv.org/abs/1706.06083

• Николас Форд, Джастин Гилмер, Николас Карлини и Экин Д. Кубук. «Состязательные примеры являются естественным следствием ошибки теста в шуме». ICML, 2019. https://arxiv.org/abs/1901.10513

• Джереми Коэн, Элан Розенфельд и Дж. Зико Колтер. «Сертифицированная устойчивость к состязаниям посредством рандомизированного сглаживания». ICML, 2019. https://arxiv.org/abs/1902.02918

• Адити Рагунатан, Джейкоб Стейнхардт, Перси Лян. «Сертифицированная защита от враждебных примеров». ICLR, 2018. https://arxiv.org/pdf/1801.09.344.pdf

• Матиас Лекуйер, Ваггелис Атлидакис, Роксана Геамбасу, Даниэль Хсу и Суман Яна. «Сертифицированная устойчивость к состязательным примерам с дифференциальной конфиденциальностью». Симпозиум IEEE по безопасности и конфиденциальности, 2019 г. https://arxiv.org/abs/1802.03471

Дифференциальная конфиденциальность

• Синтия Дворк, Фрэнк Макшерри, Кобби Ниссим и Адам Смит. «Калибровка шума по чувствительности в анализе частных данных». TCC, 2006. https://people.csail.mit.edu/asmith/PS/sensitivity-tcc-final.pdf

• Мартин Абади, Энди Чу, Ян Гудфеллоу, Х. Брендан МакМахан, Илья Миронов, Кунал Талвар и Ли Чжан. «Глубокое обучение с дифференциальной конфиденциальностью». CCS, 2016. https://arxiv.org/abs/1607.00133

• Николя Паперно, Мартин Абади, Ульфар Эрлингссон, Ян Гудфеллоу и Кунал Талвар. «Полуконтролируемая передача знаний для глубокого обучения на основе данных частного обучения». ICLR, 2017. https://arxiv.org/abs/1610.05755

• Ульфар Эрлингссон, Василий Пихур и Александра Королева. «RAPPOR: рандомизированный совокупный порядковый ответ с сохранением конфиденциальности». CCS, 2014. https://arxiv.org/abs/1407.69.81

• Андреа Биттау, Ульфар Эрлингссон, Петрос Маниатис, Илья Миронов и Анант Рагунатан. «Prochlo: Надежная конфиденциальность для аналитики в толпе». SOSP, 2017. https://arxiv.org/abs/1710.00901

• Ройс Дж. Уилсон, Селия Юсин Чжан, Уильям Лам, Дэмиен Дефонтен, Дэниел Симмонс-Маренго и Брайант Гипсон. «Дифференциально частный SQL с ограниченным участием пользователя». PET, 2020. https://arxiv.org/abs/1909.01917

• Симсон Л. Гарфинкель, Джон М. Абауд и Сара Повазек. «Проблемы, возникшие при развертывании дифференциальной конфиденциальности». WPES, 2018. https://arxiv.org/abs/1809..02201

• Дэвид Соммер, Себастьян Мейзер и Эсфандиар Мохаммади. «Классы потери конфиденциальности: центральная предельная теорема в дифференциальной конфиденциальности». PET, 2019. https://eprint.iacr.org/2018/820

• Себастьян Мейзер и Эсфандиар Мохаммади. «Ограниченный бюджет? Жесткие границы для приближенной дифференциальной конфиденциальности r-Fold». CCS, 2018. https://eprint.iacr.org/2017/1034

• Джиншо Донг, Аарон Рот и Вейджи Дж. Су. «Дифференциальная конфиденциальность по Гауссу». https://arxiv.org/abs/1905.02383

• Майкл Карл Чанц, Шаяк Сен и Анупам Датта. «SoK: дифференциальная конфиденциальность как каузальное свойство». SP, 2020. https://arxiv.org/abs/1710.05899

• Реза Шокри и Виталий Шматиков. «Глубокое обучение с сохранением конфиденциальности». CCS, 2015. https://www.comp.nus.edu.sg/~reza/files/Shokri-CCS2015.pdf

• Илья Миронов. «Дифференциальная конфиденциальность Реньи». CSF, 2017. https://arxiv.org/abs/1702.07476

• Виталий Фельдман, Илья Миронов, Кунал Талвар и Абхрадип Тхакурта. «Усиление конфиденциальности путем итерации». ФОКС, 2018 г. https://arxiv.org/abs/1808.06651

• Или Шеффет. «Дифференциально частные обычные наименьшие квадраты». JPC, 2019. https://arxiv.org/abs/1507.02482

• Камалика Чаудхури, Клэр Монтелеони и Ананд Д. Сарвате. «Дифференциально частная эмпирическая минимизация риска». JMLR, 2011. https://arxiv.org/abs/0912.0071

• Раф Бассили, Адам Смит и Абхрадип Тхакурта. «Дифференциально частная минимизация эмпирического риска: эффективные алгоритмы и жесткие границы ошибок». ФОКС, 2014. https://arxiv.org/abs/1405.7085

Причинно-следственная связь

• Сьюзан Этей, Гвидо Имбенс. «Состояние прикладной эконометрики: причинно-следственная связь и оценка политики». Журнал экономических перспектив, 2017 г. https://arxiv.org/abs/1607.00699

• Хэл Р. Вариан. «Причинно-следственный вывод в экономике и маркетинге». PNAS, 2016. https://www.pnas.org/content/pnas/113/27/7310.full.pdf

• Джошуа Д. Ангрист. «Неоднородность эффекта лечения в теории и на практике». Экономический журнал, 2004 г. https://www.nber.org/papers/w9.708.pdf

• Элиас Барейнбойм и Иудея Перл. «Причинный вывод и проблема слияния данных». PNAS, 2016. https://www.pnas.org/content/pnas/113/27/7345.full.pdf

• Элиас Барейнбойм, Джин Тиан и Джудея Перл. «Устранение предвзятости выбора в причинно-следственных и статистических выводах». AAAI, 2014. https://ftp.cs.ucla.edu/pub/stat_ser/r425.pdf

• Бернхард Шолкопф, Доминик Янцинг, Йонас Петерс, Элени Сгурица, Кун Чжан, Йорис Муй. «О каузальном и антикаузальном выводе». ICML, 2012. https://icml.cc/2012/papers/625.pdf

• Кшиштоф Халупка, Пьетро Перона и Фредерик Эберхардт. «Многоуровневые причинно-следственные системы». AISTATS, 2016. https://arxiv.org/abs/1512.07942

• Сандер Беккерс, Фредерик Эберхардт и Джозеф Ю. Халперн. «Приблизительная причинная абстракция». UAI, 2019. https://arxiv.org/abs/1906.11583

• Элизабет Стюарт. «Сопоставление методов для причинно-следственного вывода: обзор и перспективы». Статистическая наука, 2010 г. https://projecteuclid.org/download/pdfview_1/euclid.ss/1280841730

• Серен Р. Кюнцель, Джасжит С. Сехон, Питер Дж. Бикель, Бин Ю. «Metalearners для оценки разнородных эффектов лечения с использованием машинного обучения». PNAS, 2019. https://arxiv.org/abs/1706.03461

• Стефан Вейджер и Сьюзан Этей. «Оценка и вывод гетерогенных эффектов обработки с использованием случайных лесов».