Neuste Artikel für Gerechtigkeit

Dieser Artikel diskutiert die Messung von Fairness in Empfehlungssystemen und schlägt Sampling-Methoden vor.

Die Vorhersagegenauigkeit in verschiedenen Gemeinden analysieren, um eine gerechte Verteilung von Gesundheitsressourcen zu gewährleisten.

Forschung zeigt, wie Demografie die Ansichten über Fairness in der KI-Inhaltsmoderation beeinflusst.

Dieses Papier bespricht Methoden, um Fairness in KI durch selbstüberwachtes Lernen zu gewährleisten.

Ein neues Framework geht fairen Konflikten im maschinellen Lernen effektiv an.

Das Testen von LLMs ist wichtig für sichere und effektive KI-Anwendungen.

Dieser Artikel untersucht Geschlechtervorurteile in Sprachmodellen, die zur Bewertung von Depressionen verwendet werden.

EquiPrompt hat sich zum Ziel gesetzt, Vorurteile in KI-generierten Bildern mit innovativen Methoden zu reduzieren.

Untersuchung der Auswirkungen von Dialekten auf die Genauigkeit der Erkennung von Sprachvorurteilen.

Neue Methoden verbessern die Vorhersagegenauigkeit und Fairness bei Gesundheitsergebnissen.

Forscher entwickeln das GECO-Datensatz und GECOBench, um Geschlechterbias in KI zu bekämpfen.

Empfehlungssysteme beeinflussen die Nutzererlebnisse, haben aber wichtige Bedenken bezüglich Fairness und Privatsphäre.

Dieses Papier untersucht Fairness und Stabilität in maschinellen Lernmodellen, die von ihren Vorhersagen betroffen sind.

Biases bei der Gesichtserkennung durch ausgewogene Trainingsdatensätze angehen.

Datenbalance ist entscheidend für Fairness und Genauigkeit in Machine-Learning-Modellen.

Die Erkundung von Fairnessproblemen in KI-Sprachmodellen und deren Auswirkungen.

Untersuchung des Bedarfs an Fairness in der KI und ihrer Auswirkungen auf die Gesellschaft.

Tools wie OxonFair helfen, Fairness in der KI-Entscheidungsfindung zu gewährleisten.

Ein Rahmenwerk, um Vorurteile in KI-Sprachmodellen zu reduzieren und gleichzeitig die Genauigkeit zu wahren.

Untersuchen, wie Schülerbeziehungen die Genauigkeit der Peer-Bewertung beeinflussen.

Wir stellen FairMedFM vor, um die Fairness von Grundlagenmodellen im Gesundheitswesen zu bewerten.

Lern, wie Informationen durch Netzwerke reisen, basierend auf bestimmten Regeln und Symbolen.

Ein neues Framework geht die Fairness in tiefen neuronalen Netzwerken während der Modellpruning an.

Diese Studie untersucht sichere Kommunikationsstrategien in Multi-UAV-Systemen.

Der Rashomon-Effekt zeigt mehrere effektive Modelle im maschinellen Lernen.

Ein Blick auf faire Ressourcenverteilung im Wohnungswesen.

Untersuchung der Rolle von Dropout-Techniken zur Verbesserung der Fairness in DNNs.

Ein neues Framework verbessert die KI-Klassifizierung von medizinischen Bildern, indem es Vorurteile angeht und veraltete Informationen vergisst.

Diese Studie behandelt Fairness in der medizinischen Bildgebung durch synthetische Daten und neue Methoden.

Vorschriften leiten die sichere und faire Nutzung von KI-Technologien in verschiedenen Sektoren.

RSMA verbessert die Datenfairness und -leistung in Multigruppe-Multicast-Szenarien.

Studie zeigt, wie wichtig klare Anweisungen für KI im klinischen Bereich sind.

In diesem Artikel geht's darum, faire und effiziente Wege zu finden, um unteilbare Güter zu verteilen.

Ein neues Framework behandelt Fairness, Privatsphäre, Interpretierbarkeit und Emissionen in KI.

Diese Studie untersucht, wie man unteilbare Dinge fair teilen kann, um Neid zu verringern und Ehrlichkeit zu fördern.

Diese Studie analysiert, wie Plattformen ihre eigenen Produkte in den Suchergebnissen bewerben.

PUFFLE bietet eine Lösung für Datenschutz-, Nutzungs- und Fairnessherausforderungen im maschinellen Lernen.

Erfahre, wie neue Systeme die Kommunikationszuverlässigkeit und die Nutzerzufriedenheit verbessern.

Untersuchung der Auswirkungen und Herausforderungen von verantwortungsbewusster KI-Forschung in der Praxis.

Die Herausforderungen der Fairness in KI für medizinische Bildgebung untersuchen.