Neuste Artikel für Gerechtigkeit

Untersuchen, wie ML-Praktiker verantwortungsvolle Machine Learning-Praktiken umsetzen und welche Herausforderungen sie dabei haben.

Die Analyse von Entscheidungsfindung und Fairness durch die Linse des Ultimatum-Spiels.

In diesem Artikel geht's um die Notwendigkeit von Klarheit in maschinellen Lernmodellen.

Die Konferenz spricht über Fairness bei Bild-Upsampling-Techniken und die Darstellung von Rassen.

Untersuchung von Vorurteilen in prädiktiven Modellen für Immobilienpreise unter Verwendung von geospatialen Daten.

Diese Studie hinterfragt die Vorliebe für AUPRC gegenüber AUROC bei unausgeglichenen Datensätzen.

Forscher entwickeln synthetische Sprachdaten, um die Privatsphäre bei der Sprach erken nung zu schützen.

Überprüfung der Fairness von Empfehlungen, die Algorithmen nach negativen Ergebnissen geben.

Dieser Artikel untersucht neue drahtlose Technologien, um die Konnektivität für Nutzer zu verbessern.

Die Erkundung, wie digitale Tools das Engagement der Bürger und das Vertrauen in die Demokratie steigern können.

Untersuchung der Fairness-Herausforderungen in GNNs bei sich ändernden Datenverteilungen.

Dieser Artikel thematisiert die Auswirkungen von unterreportierten Daten auf die Fairness in prädiktiven Modellen.

Wege finden, um das Vertrauen in verteilte KI-Technologien zu stärken.

Eine neue Methode sorgt für ein ausgewogenes Verhältnis zwischen Fairness für Verbraucher undProduzenten in Empfehlungen.

Die Integration von Foundation Models mit Federated Learning bringt sowohl Risiken als auch Vorteile mit sich.

Eine Strategie zur Verbesserung der Leistung und Fairness in föderierten Lernmodellen.

Eine Studie über effiziente Aufgabenvergabe unter Berücksichtigung von Budgets und Konflikten.

Ein Modell für eine faire und effiziente Planung der Ladeinfrastruktur für Elektrobusse.

Methoden für faires Ranking in verschiedenen Anwendungen erkunden.

Ein neuer Ansatz, um sicherzustellen, dass KI-Systeme zuverlässig und sicher sind.

Eine effiziente Methode für faires Clustern von grossen Datensätzen.

Strategien für eine gerechte Wasserverteilung in der Landwirtschaft angesichts wachsender Knappheit.

Die wichtigsten ethischen Bedenken bei der Entwicklung und Nutzung von KI erkunden.

Diese Forschung konzentriert sich darauf, mehrere Biases in Sprachmodellen gleichzeitig zu reduzieren.

Fairnessfragen in maschinellem Lernen und föderierten Systemen erkunden.

Dieser Artikel untersucht, wie kausales Lernen die Fairness und Zuverlässigkeit von Empfehlungssystemen verbessert.

Ein neues Framework legt den Fokus auf Fairness bei crowdsourced Machine-Learning-Wettbewerben.

Ein Blick auf die Notwendigkeit von Fairness und klaren Erklärungen in KI-Systemen.

Studie zeigt, dass KI Fairness, Vertrauen und Zusammenarbeit in sozialen Interaktionen beeinflusst.

Ein System, um Fairness im maschinellen Lernen zu überprüfen und dabei die Privatsphäre des Modells zu schützen.

Die Fairness und Effizienz bei der Verteilung begrenzter Ressourcen untersuchen.

Partnerschaften zielen darauf ab, faire KI-Tools zur Verbesserung der globalen Gesundheitsversorgung zu entwickeln.

Eine neue Methode sorgt für eine faire Präsentation von Artikeln in Empfehlungssystemen.

Ein Blick darauf, wie man Empfehlungssysteme für Fairness und Nutzerzufriedenheit verbessern kann.

Strategien zur Reduzierung von Vorurteilen in ML, die sich auf kontinuierliche sensible Attribute konzentrieren.

Untersuchung von Bias im Deep Learning bei der MRT-Bildrekonstruktion in Bezug auf Geschlecht und Alter.

Erkunde eine faire Verteilung von Aufgaben zwischen Personen mit unterschiedlichen Verantwortungen.

Dieser Artikel behandelt Erklärbarkeit und Fairness in Modellen zur Vorhersage von Gerichtsurteilen.

Ein neues Tool bewertet Vorurteile in ML-basierten Frühwarnsystemen für bessere Patientenversorgung.

Diese Studie untersucht, wie das Zusammenlegen von Daten die Fairness von Modellen in verschiedenen Gruppen verbessern kann.