Neuste Artikel für Gerechtigkeit

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.

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.