Neuste Artikel für Gerechtigkeit

Diese Studie untersucht die Fairness von diffusionsbasierten Empfehlungssystemen im Vergleich zu traditionellen Modellen.

In diesem Artikel geht's um faire Verteilungsmethoden für Aufgaben und Jobs mit maximin Anteilen.

Die Manipulationsrisiken von Einflussfunktionen im maschinellen Lernen aufdecken.

In diesem Artikel geht's um faire Verteilung von Sachen mithilfe von Machine-Learning-Techniken.

Forschung zur Verbesserung der Fairness bei Wohltätigkeitsspenden durch bessere Werkzeuge.

Eine Studie zeigt, wie Timing und Begünstigte die Fairnesswahrnehmungen bei Interaktionen mit Robotern beeinflussen.

Dieser Artikel untersucht Vorurteile in TTI-Systemen und die Rolle von Embeddings.

Dieser Artikel behandelt Vorurteile in grafischen Modellen und schlägt eine Methode für faire Analysen vor.

Dieses Papier stellt eine Methode vor, um Fairness in Mehrausgaben-Maschinenlernmodellen zu verbessern.

Untersuchen, wie Emotionen und Fairness finanzielle Entscheidungen in Spielszenarien beeinflussen.

Erforschung der Wahrnehmungen von Stakeholdern hinsichtlich Fairness in maschinellen Lernmodellen trotz Vielfältigkeit.

Eine Methode, um Fairness und Unsicherheit in Entscheidungsprozessen zu messen.

Untersuchung von Fairness und Vorurteilen bei Empfehlungen von Inhalten in sozialen Medien.

Die Rolle synthetischer Daten bei der Förderung von Fairness in Empfehlungsalgorithmen erkunden.

Dieses Papier bespricht die Fairness bei der Auswahl von Kandidaten für Institutionen trotz voreingenommener Bewertungen.

Zwei Schachgiganten kriegen sich in die Haare über Vorwürfe zur Fairness bei Online-Matches.

Dieses Papier untersucht die Fairness bei Blocking-Methoden für Entity-Matching-Systeme.

Ein neues Framework verbessert die Erkennung von Hassrede und fördert Fairness im Netz.

In diesem Artikel werden wichtige Bedenken zur Zuverlässigkeit von Text-zu-Bild-Modellen besprochen.

Dieses Papier bewertet Fairness-Probleme in Retrieval-Augmented Generation-Methoden.

Lern, wie man Ressourcen fair und effizient unter Leuten aufteilt.

Die Bedeutung von Fairness bei Techniken zur Datenabgleichung untersuchen.

Eine neue Methode soll den Bias in den Vorhersagen von Sprachmodellen verringern.

Lerne effektive Strategien für faires und effizientes Teilen unter Freunden.

Gemeinsame Grundlagen für KI-Entscheidungen unter verschiedenen menschlichen Werten finden.

Die Schwierigkeit, Aufgaben zu kategorisieren, während man Expertise und Fairness in Einklang bringt, erkunden.

Dieser Artikel behandelt Fairness-Probleme in Graph Neural Networks und stellt eine neue Methode vor.

Ein Blick darauf, wie man faire Entscheidungen mit submodularen Funktionen treffen kann.

Ein Blick auf Ähnlichkeitsnetzwerke, um Fairness im maschinellen Lernen zu verbessern.

Privatsphäre und Fairness im maschinellen Lernen durch innovative Methoden angehen.

Untersuchen, wie Vorurteile Sprachmodelle und deren Interpretation von beleidigender Sprache beeinflussen.

Iris-Erkennungssysteme funktionieren unterschiedlich je nach Augenfarbe.

Ein neuer Ansatz für faire Einstellungsverfahren, selbst bei unsicheren Vorhersagen.

Erforschen, wie KI unterschiedliche Vorlieben im Laufe der Zeit anpassen kann.

Nett sein hilft KI, den Menschen besser zu dienen.

Die Herausforderungen und Methoden zur Erreichung von Fairness im maschinellen Lernen untersuchen.

Forscher gehen das Problem der Voreingenommenheit in Sprachmodellen mit einem neuen Ansatz an.

Untersuchung von adversarialen Angriffen und Förderung von Fairness durch Mixup-Training.

Lern, wie man Ressourcen teilt, um in verschiedenen Situationen das Glück zu maximieren.

Forschung zeigt, dass Daten die Erfolgschancen bei der College-Zulassung verbessern können.