算法解释制度的体系化构建

算法解释在算法治理中举足轻重。算法解释承载着权益保障、社会交往和风险治理三重意义,其在技术层面上的障碍正在逐渐被突破,可以通过多种技术机制实现。在算法治理活动中,应根据常规场景、关键场景和争议场景分别限定选择解释的路径选择和技术方案,通过冻结机制、抽样机制和镜像机制固定算法解释,并使之接受外部的验证与审查,确保算法解释真实、有效。算法解释的系列机制应被进一步构建为体系化的算法解释制度,在这一制度框架内,对解释路径与精度、解释时限、解释瑕疵责任等要素的合理配置,可以实现社会效益与规制负担的精细平衡。

算法审计需求论

算法审计是算法治理体系的重要成员,本文以经典审计理论为基础,提出算法审计需求的一个理论框架。算法的合约类委托代理关系中存在完备合约,监管类委托代理关系中算法相关法律法规发挥了类似完备合约的作用,这两类关系中都不存在算法审计需求。算法的资源类委托代理关系中,由于激励不相容、信息不对称、合约不完备和环境不确定同时存在,必须建构算法治理体系来应对算法代理问题和次优问题,算法审计基于审计固有功能对算法责任履行情况实施鉴证,发现其中存在的代理问题和次优问题,报告给委托人及其他利益相关者并推动整改,从而为算法责任的良好履行提供一定的保障。

算法审计内容论

以经典审计理论为基础,提出算法审计内容的一个理论框架。算法审计对象是算法责任履行情况,主要包括:代理人(算法使用者)的算法全面责任、算法开发者的算法开发责任、算法营运者的算法营运责任和算法监管者的算法监管责任。算法审计对象要落实到算法审计主题,算法全面责任、算法开发责任、算法营运责任的审计主题都是算法系统,算法监管责任的审计主题包括算法监管信息、算法监管行为和算法监管制度。基于不同的算法审计主题形成不同类型的算法审计业务,基于算法系统形成算法系统审计,基于算法监管信息、算法监管行为和算法监管制度分别形成算法监管信息审计、算法监管行为审计和算法监管制度审计。在算法审计业务实施中,必须将各个审计业务的审计主题分解为审计标的,算法系统的审计标的包括输入数据、算法设计和算法影响,每一个有独立计算方法的算法监管信息都可以成为独立的审计标的,每一个有独立规则的算法监管行为都可以成为独立的审计标的,每一项有独立规范对象的算法监管制度都可以成为独立的审计标的。

算法审计主体论

算法审计主体的核心问题是谁来实施算法审计,本文以经典审计理论为基础,提出算法审计主体的一个理论框架。算法审计主体由算法审计需求者基于三个原则来选择:一是独立性原则,要求算法审计主体独立于算法审计客体;二是成本效益原则,当算法审计主体的多种建构方案都可以保持审计主体的独立性时,要选择成本最低的组织方式;三是审计质量原则,要求算法审计主体能够提供满足质量标准的算法审计,主要通过审计主体的专业胜任能力来保障。基于上述三个原则,不同的资源类委托代理关系中的算法审计需求者对算法审计主体会做出不同的选择,可能的算法审计主体包括具有算法审计胜任能力的政府审计机关、内部审计机构和社会审计机构。

算法嵌入政府治理:逻辑、风险与规制

伴随着现代信息技术的迅猛发展,智能算法在推动经济社会不断发展的同时也成为推动国家治理现代化的重要驱动力。现阶段如何推进算法技术更有效地嵌入政府治理,在充分发挥技术效益的同时反制技术滥用,实现公共价值最大化目标是亟须关注的时代命题。从“技术—权力—规则”三个维度搭建研究算法嵌入政府治理的分析框架,探索算法技术赋能政府治理的价值意蕴与运作逻辑。聚焦算法技术黑箱阻滞公共责任认定、算法权力削弱政府与民众自主性、算法规则偏好导致治理正义性减损等风险与挑战,提出在实践中要推进技术适度透明化以明晰责任关系链条、规范算法权力运作并坚持人本主义治理理念、明确算法规则决策限度以强化治理正义性等实践进路。

数字金融的算法风险及其法律规制

算法与金融的深度融合是金融产业数字化转型的关键驱动力,但同时也引发了算法歧视、算法权力、算法共谋、算法趋同等一系列新型风险。这些风险具有隐蔽性、系统性和根源多样性的特征,导致传统金融法制在法律主体、调整对象、算法权利、算法责任等方面表现出局限性。究其根源,在于算法黑箱削弱了金融消费者和监管者的风险识别和防范能力,并导致算法责任追究困难。因此,对数字金融算法风险的法律规制应以算法黑箱为切入点,以促进算法发展和防范算法风险统筹为目标,以算法透明性为基本原则,确保透明是合理的、有意义的且具有层次差异。在法律主体方面,应加强监管部门的专业性和协调机制,引入多方主体协同共治;在调整对象方面,应对算法本体和参与主体进行双维规制;在算法权利方面,应加强金融消费者数据保护与算法规制的衔接;在算法责任方面,应构建以算法设计与应用监管并重的双层监管结构,以确保数字金融算法安全可信的实现。

智能算法在TSP问题中的应用研究

TSP问题是典型的路径优化问题,具有解决物流路径规划等实际应用意义。为解决TSP问题,文章研究了遗传算法、禁忌搜索算法、蚁群算法和模拟退火算法,以遍历31个省会城市为例,运用MATLAB软件编程仿真。结果表明:蚁群算法优化效果较好,且一致性高,但运行效率不高,可混合运用遗传算法和蚁群算法,以提高运行效率和求解质量。

混合增强型机器学习算法在稀土供应链金融中评价中小企业信用风险的研究

稀土是支撑高端技术创新和新能源产业发展的关键原材料之一,研究解决稀土供应链中小企业融资困难的问题,做强我国稀土产业链,更好地维护国家战略利益是当务之急。供应链金融作为创新型融资方式成为实现中小企业融资授信的一种主要手段,但其中信用风险问题成为融资决策中需解决的最关键问题之一。本文提出了一种混合增强型机器学习算法,首先采用动态透镜成像反向学习改进的海洋捕食者算法(IMPA)对支持向量机算法(SVM)进行优化,再采用AdaBoost算法对优化后的SVM进行集成,建立AdaBoost-IMPA-SVM模型。采用该模型对供应链金融风险进行评价,重新建立供应链金融风险体系指标,通过相关性分析进行特效选取,并从计算机通信及其他制造业选取52家中国上市中小企业2019—2021年期间140个样本作为特征变量输入模型。仿真实验结果验证了该模型相较于其他信用风险评价模型具有更好的分类识别性能。

算法规制如何场景化

将算法纳入法治化的轨道,需要根据不同的场景设置差异化的规范路径。以高风险场景的算法产品使用效果实验启示,通过算法的解释可以提升用户的理解程度,并且可视化解释的理解效果较公式法更好;算法信任的机制构建,则更多取决于场景的信任基础、人机判断的一致性等因素。实证研究对算法规制如何场景化提供了诸多的启示:一是需要考虑不同场景用户特征的差异,根据用户特点设置权利义务;二是应强调场景中算法以及解释的用途差异,结合考虑相关解释技术的可行性;三是应当考虑不同场景的算法信任基础,算法引入不同场景有不同难度,不同场景应当设置不同的人机分工关系和算法的任务范围。

算法产业促进与治理法(建议稿)

算法是人工智能乃至智能化的核心技术,与算力、数据一起被称为智能时代或数字经济的“三驾马车”。算法在促进经济社会发展的同时,也产生了算法黑箱、算法歧视、“大数据杀熟”、算法合谋垄断、算法奴役、“信息茧房”等新型社会问题。我国关于算法的立法规定散见于《电子商务法》《个人信息保护法》《反垄断法》等法律法规和部门规章之中,缺乏系统性和协调性,且对诸多问题未作规定。我国宜对算法产业促进与安全监管等进行专门立法,立法的主要内容包括总则、算法产业促进、算法安全监管、算法企业的权利与义务、算法救济、法律责任、附则等。本建议稿以算法安全与发展的平衡协调为基本理念,着眼于算法产业生态建设和系统治理,建立算法安全事前、事中、事后相结合的一体化监管体系,按照算法的应用场景、安全风险、社会影响等因素建立算法分类分级管理制度;确立监管沙盒、算法安全检测评估与认证、算法审计、算法公平性验证、算法追溯、算法终结、算法问责、算法救济、算法合规等安全保障机制,实时分析算法技术与应用的安全风险并动态采取预警和处置措施;针对算法黑箱等具体问题采用可信解释等解决方案,确保算法决策的科学性、合理性、可靠性;在规范算法研发与应用活动的同时引入产业政策扶持、容错免责及技术局限免责等鼓励创新的措施,推进算法在经济社会领域的深度融合与应用,以保护公民、法人和非法人组织的合法权益,维护国家安全和社会公共利益,探索并推动科学立法以维护算法公平与正义。

算法自动决策下人类主体性危机的立法应对

算法自动决策的本质不是主体法律行为,是大数据收集分析和程序运算的结果,但算法自动决策结果被用于替代人为决策,就需要符合人类社会行为准则和人类价值观。算法自动决策带来了忽视人的主体地位、损害人类社会伦理和公平、侵蚀人的自治机会和意识等负面效应,归根结底是数据处理与算法设计出现问题。人工智能在本质上属于物的范畴,最终应用算法自动决策的是人工智能产品,因此,为保障自动决策技术不违反服务人类社会的最高目标,可以借鉴产品质量制度在算法程序设计中嵌入强制性算法伦理标准,确保自动决策的结果符合法律法规、符合人类社会共同价值观和伦理准则。在算法自动决策过程中要保障信息主体的自决权利、落实数据处理者的义务以防范数据滥用;在算法自动决策致损他人时,应由产品生产者承担无过错产品质量责任、用户承担一般侵权责任,以此督促有能力采取措施的主体控制自动决策风险。

基于镜像修正FxLMS控制算法的船舶管路振动主动控制

针对船舶管路减振和抗冲击的需求,本文根据镜像修正自适应滤波算法,设计出了一种管路振动主动控制策略,能够有效地控制管路在低频下的振动,并且在次级通道发生突变时,控制系统可再次快速收敛,进行稳定控制。本文先对镜像修正自适应滤波算法进行理论研究,分析算法的迭代及控制过程;再通过仿真分别验证算法在不同参考信号输入下的收敛性及稳定性;最后搭建实验台架,通过试验验证算法的实际控制效果。试验结果表明:该控制策略在管路振动主动控制中能够降低15.37%的振动强度,比自适应滤波算法控制策略的控制效果好8.85%。所以镜像修正自适应滤波算法能够及时有效地进行管路振动控制。

面向高维非线性最优化问题的粒子折跃算法

针对高维非线性最优化问题,在APSO和GA等智能算法的基础上,加入相邻对比、移动互斥思想,构建了一种新的智能算法——粒子折跃算法(Particle Warp,PW)。该算法通过对比每个粒子(解)在不同维度上的相近值构建虚拟粒子,计算适应度,为应对“早熟”现象,结合粒子跳跃的随机性、其他粒子对该粒子的排斥性,建立粒子折跃更新公式;针对CEC2017测试函数不同维度下最优化问题,利用PW与APSO、GA进行求解,分析了新算法的优越性,并将其应用于空间圆拟合中。研究表明,10种测试函数高维问题的求解中新算法体现了较强的优越性,在30维求解中优秀率达到90%;在空间圆拟合问题中,PW求取的适应度精确度比APSO提高了6.54%,比GA提高了6.93%,最优解更接近于设计值,最大偏差仅0.0864,满足实际需求,为工程实际中高维非线性最优化问题求解提供了一种新方法。

发射台站智能化任务分配算法研究

基于发射台站智能化管理系统的数据处理模型,研究任务分配算法。以分支定界算法代表精确算法、贪心算法代表近似算法、遗传算法代表智能算法,进行算法性能测试,并对计算数据进行分析,总结不同算法的优缺点和应用场景。

基于改进混合樽海鞘群算法的航空发动机模型求解方法

针对传统智能优化算法在求解航空发动机模型非线性方程组时收敛速度慢、精度低的问题,提出采用樽海鞘群优化算法(salps swarm algorithm,SSA)。为了提升标准SSA求解复杂发动机模型的随机搜索能力,采用了混沌映射、正余弦算法、自适应权重、逐维变异策略对SSA进行改进,并且更进一步调整了算法流程(Process improved SSA),提高算法收敛概率,最终将Process improved SSA与Newton-Raphson算法结合为混合算法,并以适应度值作为算法切换的判断条件以提升混合算法的计算效率。仿真实验验证了Process improved SSA求解航空发动机模型的有效性。仿真结果表明混合算法能够实现全局收敛并提升收敛速度,且能够在模型输入强瞬变仿真时实现快速收敛。

互联网平台算法推荐的风险检视与法律规制

在大数据背景下,以精准推送和有效供给为特征的互联网平台算法革新了信息传播方式,与之相随的互联网平台算法推荐风险也愈渐突出,可能威胁到个体隐私和自由、损害互联网用户知情权与自主权等。我国虽然出台了相关法律法规,但算法的不透明性、隐蔽性和复杂性仍给个人、社会和国家带来了新的风险。立足我国基本国情,在利用好算法便利性的同时,检视算法推荐风险,完善算法推荐法律法规体系,加大对算法推荐的监管力度,从而平衡权利保护与科技创新。

改进遗传算法在仓储机器人移动路径规划中的应用研究

本文提出了一种改进的实数遗传算法,用于解决仓储机器人移动路径规划问题。传统路径规划方法在复杂环境中难以有效优化路径,而遗传算法因其良好的全局搜索能力和适应性成为一种潜在的解决方案。本文通过将连续的可行域进行离散化处理,然后通过变异算子和局部搜索算子,使其既具有连续性又具有完备性。这种方法成功地融合了遗传算法的离散化和连续化特性,提升了实数遗传算法的收敛速度和寻优能力。为验证算法的有效性,我们将这种方法与粒子群算法、模拟退火算法和人工蜂群算法进行对比实验。实验首先在基础测试函数上进行,然后在二维栅格地图上进行最短路径优化。实验结果表明,改进的实数遗传算法在测试函数和二维栅格地图上均优于其他算法,显著降低了机器人移动路径的总长度和时间成本。

基于一次指数预测算法的动态规划分割算法

时间序列分割在变异点检测、变化趋势检测及数据预处理等方面都具有重要作用。针对经典动态规划分段算法未考虑时间序列数据之间的相互影响,提出一种基于一次指数平滑预测算法和动态规划算法相结合的多元时间序列分割方法。利用一次指数平滑预测算法对所有多元时间序列分割片段进行预测,计算分割代价;再根据分割代价,运用动态规划算法对多元时间序列数据进行分割,得到全局最优的分割结果。对仿真多元时间序列数据进行分割,将新方法结果与已有算法结果进行比较,新方法分割度量值为0.0155,较已有算法减少了0.0293,说明该分割方法得到的分割结果有较高的准确度。

基于四种机器学习算法检测网络诈骗App的对比研究

为探索网络诈骗App检测的有效方法,运用决策树算法、随机森林算法、逻辑回归算法和支持向量机算法4种机器学习算法对App进行涉诈识别检测,验证算法的准确率、召回率、F1值、KS值、G-mean值、AUC值,并从案情报告书中提取网络诈骗App验证算法预测结果。从算法指标结果和预测情况来看,支持向量机算法优于其他3种算法,App存活时间、使用次数、名称以及与案件的关联程度是检测涉诈App的重要特征维度,同时结合打击整治网络诈骗App业务工作难点针对性给出对策建议,为公安机关打击网络诈骗犯罪提供参考。

改进灰狼算法优化GBDT在PM_(2.5)预测中的应用

针对灰狼算法易陷入局部最优解和全局搜索能力不足的问题,通过霍尔顿序列(Halton Sequence)搜索算法初始化狼群位置,避免灰狼算法陷入局部最优解和重复运算;引入莱维飞行和随机游动策略对灰狼算法的寻优过程进行优化,以增加算法的全局搜索能力;利用粒子群算法模拟灰狼种群得出的最佳适应度以用于惩罚项改进灰狼算法中的头狼更新策略。使用改进算法优化的梯度提升树(Gradient Boosting Decision Trees,GBDT)模型对北京市大气污染物监测数据中PM_(2.5)质量浓度进行预测,采用3种评估函数对各模型以及混合模型预测效果得分进行评估。结果显示,本文改进的灰狼算法对梯度提升树的优化效果优于其他算法,均方根误差E RMS为6.65μg/m^(3),平均绝对值误差E MA为3.20μg/m^(3),拟合优度(R^(2))为99%,比传统灰狼算法优化结果的均方根误差减少了19.19μg/m^(3),平均绝对值误差降低了10.03μg/m^(3),拟合优度增加了9百分点;与霍尔顿序列和莱维飞行改进的(Levy Flight-Halton Sequence,LHGWO)相比,改进的灰狼算法预测得分的均方根误差降低了10.39μg/m^(3),平均绝对值误差减小了6.71μg/m^(3),拟合优度提高了5百分点。研究表明了预测模型优化的有效性,为未来城市改善空气质量提供了科学依据和技术支持。