Neuste Artikel für Gerechtigkeit

Kleine Vorurteile in KI können zu grossen unfairen Ergebnissen führen.

Herausforderungen der Fairness in Systemen angehen, die von menschlichen Vorlieben und Verhaltensweisen beeinflusst werden.

Untersuchung von Vorurteilen bei KI-gestütztem Lebenslauf-Screening und Möglichkeiten, die Fairness zu verbessern.

Erkunde, wie Shapley-Werte die Vorhersagen von maschinellem Lernen im Gesundheitswesen verständlicher machen.

Dieser Artikel untersucht den Kompromiss zwischen Fairness und allgemeiner Zufriedenheit bei der Ressourcenteilung.

Dieser Artikel bespricht die Probleme und Strategien zur Umsetzung von verantwortungsvollen KI-Werten.

Die Fairness beim Auswählen von Vertretern aus verschiedenen Gruppen erkunden.

Ein Blick auf die Förderung von Fairness in Empfehlungssystemen bei Informationsüberflutung.

Die Integration von erklärbarer KI in 6G steigert das Vertrauen der Nutzer und die Leistung.

Dieser Artikel betrachtet Fairness-Fragen in der Gesichtserkennungstechnologie.

Untersuchung der Bedenken von Prüflingen bezüglich KI- versus herkömmlicher menschlicher Bewertung.

Untersuchen von Bias in Code-Reviewer-Systemen für maschinelles Lernen.

Eine neue Methode für verbesserte Fairness bei der Auswahl von Clients im föderierten Lernen.

In diesem Artikel geht's darum, faire Hashmaps für eine gerechte Datenverwaltung zu erstellen.

Ein neues Framework verbessert die Fairness in Algorithmen durch die Nutzung unsicherer demografischer Informationen.

Untersuchung von Fairness in ML-Systemen unter Berücksichtigung mehrerer geschützter Attribute.

Eine vierstufige Methode, um die ethische KI-Entwicklung in verschiedenen Rollen zu fördern.

Entdecke, wie RIS-Technologie die Kommunikationseffizienz und Fairness in zukünftigen Netzwerken verbessert.

Neue Tools sollen die Fairness in der KI verbessern, indem sie Zugang zu vielfältigen Datensätzen bieten.

Ein neues Framework, um Fairness in KI-Systemen während des Betriebs zu gewährleisten.

Eine neue Methode verbessert die Fairness von Modellen, indem sie synthetische Datenproben generiert.

Diese Studie zeigt Vorurteile darin, wie autonome Autos Fussgänger je nach Alter und Hautfarbe erkennen.

Dieses Papier untersucht kontrafaktische Invarianz und deren Verbindungen zur bedingten Unabhängigkeit.

Ein Blick auf Multikalibrierung und Omniprediktion im maschinellen Lernen.

Die Fairness in DLTs erkunden, besonders durch die Linse von DAG-basierten Systemen.

Diese Studie stellt eine Methode vor, um Vorurteile in Machine-Learning-Modellen zu verringern.

Ein Blick darauf, wie Kampagnen Daten nutzen, um die Fairness im Wahlkreis zu beeinflussen.

RIFO optimiert die Paketplanung für einen effizienten Datenfluss in Netzwerken.

Ein Rahmen für die Schaffung fairer und inklusiver smarter Geräte.

Eine neue Methode verbessert die Fairness in generativen Modellen, ohne dass originale Datensätze benötigt werden.

Neue Methoden zielen darauf ab, die Kalibrierung in Risikovorhersagemodellen über verschiedene Gruppen hinweg zu verbessern.

Verstehen, wie KI die klinische Risikovorhersage und das Vertrauen verbessert.

Dieses Framework vereint Fairness und Robustheit für verantwortungsvolle KI-Systeme.

Forschung untersucht das Gleichgewicht in mehrsprachigen Sprachmodellen für Fairness und Privatsphäre.

Neue Interventionen zielen darauf ab, Vorurteile in GNNs abzubauen und gleichzeitig die Genauigkeit der Vorhersagen beizubehalten.

Diese Arbeit stellt innovative Techniken vor, um komplexe reaktive Programme effektiv zu managen.

Forschung zeigt, dass Sprachmodelle schädliche Stereotypen gegenüber marginalisierten Gruppen haben.

In diesem Artikel geht's um Fairness beim Clustering, mit Fokus auf das Minimum Bisection-Problem.

Ein neues Modell soll die Gesundheitsunterschiede in elektronischen Aufzeichnungen verringern.

Forschung zeigt, wie Machine-Learning-Modelle die Genauigkeit bei verschiedenen Patientengruppen verbessern können.