Neuste Artikel für Gerechtigkeit

Diskussion über gerechte Belohnungsverteilung in crowd-sourced Systemen.

Neue Methode reduziert Verzerrungen im Machine Learning und hält gleichzeitig die Leistung aufrecht.

Untersuchung von Vorurteilen in KI-Algorithmen, die medizinische Diagnosen für verschiedene Bevölkerungsgruppen betreffen.

Ein Blick auf den Einfluss von föderiertem Lernen auf Privatsphäre und Fairness.

FairDP bietet eine Lösung, um Privatsphäre und Fairness in maschinellen Lernsystemen zu gewährleisten.

Die Fairness bei der Verteilung von Gütern und Aufgaben zwischen Menschen mit unterschiedlichen Bedürfnissen untersuchen.

Ein Blick auf Fairness und Bias in Modellen zur Erkennung von toxischen Kommentaren online.

Ein neuer Algorithmus soll die Fairness neben der Relevanz in Rankingsystemen verbessern.

Ein neuer Ansatz für sichere Nachrichtenübermittlung, ohne die Identität von Absender oder Empfänger preiszugeben.

Erkunde die Herausforderungen und Lösungen für parallele Programme in schwachen Speichermodellen.

Ein tiefer Einblick in die Bedeutung von Fairness bei ML-Entscheidungen.

Untersuchung der Fairness in Empfehlungssystemen und die Auswirkungen von Vorurteilen.

Neue Methode optimiert Hyperparameter, indem sie mehrere Ziele im maschinellen Lernen ausbalanciert.

Vorurteile in KI-Modellen ansprechen, um die Patientenversorgung in der Radiologie zu verbessern.

Entdecke neue Methoden, um Ressourcen fair unter Leuten und Gruppen aufzuteilen.

Die wichtigsten Faktoren für die Auswahl von Clients verstehen, um federiertes Lernen zu verbessern.

Eine Studie über die Verwendung von Triplet Loss, um gerechtere Machine Learning Modelle zu erstellen.

Inhaltsmoderation ist mega wichtig für den verantwortungsvollen Einsatz von generativen KI-Systemen.

Ein neuer Ansatz, um Vorurteile in Systemen zur Gesichtsausdruckserkennung zu reduzieren.

Eine Methode, um Bias in KI-Trainingsdatensätzen zu reduzieren für fairere Ergebnisse.

Ein neuer Ansatz verbessert Fairness und Sicherheit in ML-Systemen.

Dieser Artikel stellt eine neue Methode vor, um Transaktionen fair und effizient zu ordnen.

Ein Überblick über die Herausforderungen von Datenschutz und Fairness im föderierten Lernen.

Ein neuer Ansatz verbessert die gegenseitigen Empfehlungen in Job- und Dating-Plattformen.

Wir stellen GMMD vor, ein Framework zur Verbesserung der Fairness in Graph-Neuronalen Netzwerken.

Untersuchung von Vorurteilen und Fairness-Massnahmen in der Leistung biometrischer Technologien.

Die Fairness bei Einstellung, Gesundheitsversorgung, Kreditvergabe und Vermietung anhand von simulierten Datenprotokollen untersuchen.

Dieses Papier bespricht die Wichtigkeit von Fairness in automatisierten Entscheidungssystemen.

Die Balance zwischen Privatsphäre und Fairness in föderierten Lernmodellen untersuchen.

Untersuchung des Zusammenspiels von Fairness, Privatsphäre und prädiktiver Leistung im maschinellen Lernen.

Fairness in maschinellen Lernmodellen für verschiedene Aufgaben ansprechen.

Eine Studie über die Gesundheitsprobleme, mit denen Pflegeheimbewohner im Baskenland während der Pandemie konfrontiert waren.

Die Verwendung von UDA-Methoden verbessert die Klassifizierung von Hautläsionen und fördert die Fairness über verschiedene Demografien hinweg.

Ein neues Framework ermöglicht massgeschneiderte Generierung von synthetischen Daten, um unterschiedlichen organisatorischen Bedürfnissen gerecht zu werden.

Diese Studie konzentriert sich darauf, gerechte Dialogsysteme durch Erkenntnisse aus dem maschinellen Lernen zu schaffen.

Untersuchen, wie die Reihenfolge der Daten die Fairness in Machine-Learning-Modellen beeinflusst.

Eine neue Methode, um die Fairness in föderierten Lernmodellen zu verbessern und dabei die Privatsphäre zu wahren.

DBFed hat das Ziel, Vorurteile in KI abzubauen und gleichzeitig die Datensicherheit zu wahren.

Ein neuer Ansatz verbessert die Fairness im Reinforcement Learning mithilfe von menschlichem Feedback.

Die Fairness von Empfehlungssystemen mit kontrafaktischen Erklärungen analysieren.