風險社會背景下隨著信息網絡的廣泛運用,算法成為了連通風險社會和數據的重要防控節點。一方面算法作為工具被廣泛運用于風險的預測與防控,另一方面因為算法程序客觀性、智能性以及可解釋性的不足,算法本身也成為了風險源頭的一部分,并貫穿始終。尤其在法律領域,算法在緩解司法壓力的同時,更滋生出如算法損害、技術黑箱、算法權力操縱與算法歧視等多重問題。對此,如何科學地選擇錨點和基礎算法來設計搭建算法模型,通過數據訓練并成功運用到實務操作,在規避減弱風險的同時滿足任務需求,消減算法傷害,最終達到風險預警與防控,便是算法研究的關鍵問題。

【文章頁數】：14 頁

【部分圖文】：

圖1司法數據、算法與風險關系圖

目前的算法主要有符號學派、聯結學派、進化學派、貝葉斯學派及類推學派，[5]而算法也因為功能和用途的不同，被分為順序、平行、互動、分布式、實時、混合和量子等算法，[6]同時在經典算法基礎上又衍生出諸多子類及其他新型算法，如支持向量機算法、流形學習算法等。還有學者認為可分為宏觀的兩大....

圖3層次平衡K-means(BKHK）方法下的錨點生成

實務中亦有對此的相關研究，在面對數據量較大的情況，生成錨點并計算樣本點和錨點之間的相似度矩陣是關鍵步驟，而錨點的選擇一般有隨機選擇方法和K-means方法兩種。對此羅曉慧等人提出了計算復雜度更小的，采用平衡二叉樹結構的層次平衡K-means(BKHK）方法，簡稱BKHK,[15]....

本文編號：3994820