Neuste Artikel für Gerechtigkeit

Diskussion über Privatsphäre und Fairness im maschinellen Lernen durch differentiellen Datenschutz und Risiko für die schlimmste Gruppe.

Eine Studie zu den Ansichten von Studenten über Fairness und Ethik in MMLA.

Eine Analyse von Fairness-Diskussionen unter Software-Ingenieuren auf Stack Exchange.

Ein Blick darauf, wie Fairness die Job- und Chancenvermittlung beeinflusst.

Herausforderungen im föderierten Lernen angehen wegen der verschiedenen Geräte und Daten.

Ein Blick darauf, wie Fairness und Genauigkeit bei KI-Entscheidungen in Einklang gebracht werden können.

Ein Rahmenwerk zur Bewertung von Vorurteilen in Empfehlungen, die von grossen Sprachmodellen erzeugt werden.

Gerechtigkeit im maschinellen Lernen ansprechen für bessere statistische Ergebnisse.

Die Prinzipien und die Bedeutung der ethischen Nutzung von KI erkunden.

Ein Rahmen, um zu bewerten, wie KI-Lösungen die Gesundheitsgerechtigkeit im Gesundheitswesen beeinflussen.

Eine neuartige Methode zur fairen Datensammlung in der prädiktiven Modellierung.

Ein Blick darauf, wie Erfüllbarkeit, Abdeckung und Fairness sich bei der Optimierung überschneiden.

Die Notwendigkeit klarer AI-Spezifikationen erkunden, um Vorurteile und Transparenz anzugehen.

Die Balance zwischen Modellkompression und Vertrauenswürdigkeit in KI erkunden.

Erforschen der wichtigsten Eigenschaften und Herausforderungen bei der Entwicklung zuverlässiger KI-Systeme.

Eine neue Methode integriert Einschränkungen in probabilistische Schaltungen für bessere Vorhersagen.

Die Rolle von Kommunikation bei Fairnessentscheidungen in KI-Systemen untersuchen.

Entdeck, wie verteilte Algorithmen die Ressourcenverteilung unter Agenten vereinfachen.

Eine Methode, um Fairness-Genauigkeits-Abwägungen für maschinelle Lernmodelle zu approximieren.

Eine neue Methode verbessert die Fairness im Netzwerkverkehrsmanagement mithilfe von RTT-Daten.

Eine Multi-Objektiv-Methode zur Maximierung von Einfluss unter Berücksichtigung verschiedener Faktoren.

Untersuche sequentielle Einstimmigkeitsregeln und ihre Rolle bei Entscheidungsprozessen.

THEMIS verbessert Fairness und Effizienz bei der Ressourcenplanung für Multi-Tenant-FPGAs.

Dieser Artikel behandelt robuste, genaue Fairness im Deep Learning und deren Auswirkungen.

Eine Studie, die sich mit fairen und erklärbaren Modellen für Vorhersagen zur Behandlung von Substanzmissbrauch beschäftigt.

Methoden untersuchen, um die Gesichtserkennung über verschiedene Demografien hinweg zu verbessern.

Neue Algorithmen sorgen für Fairness und Vielfalt bei der Datenauswahl.

Eine neue Methode verbessert die Fairness bei der KI-Entscheidungsfindung, ohne bestehende Modelle zu verändern.

Datenreduktion verbessert die Effizienz des Modells und geht gleichzeitig potenziellen Bias-Problemen an den Kragen.

Adaptive Fair Representation Learning bietet faire und genaue Empfehlungen, die auf die individuellen Bedürfnisse der Nutzer zugeschnitten sind.

Forscher wollen ausgeglichene synthetische Daten erstellen, um Vorurteile im maschinellen Lernen zu verhindern.

Die Einführung von Zufälligkeit kann die Fairness bei Entscheidungen zur Ressourcenverteilung verbessern.

Eine neue Methode zielt darauf ab, die Fairness im Maschinenlernen zu verbessern, ohne die Leistung zu beeinträchtigen.

Ein Leitfaden zu Metriken zur Bewertung der Leistung von LLMs in verschiedenen Bereichen.

Ein neues Tool bietet flexible Definitionen von Fairness für die Analyse von maschinellem Lernen.

Methoden erkunden, um Fairness in Klassifikationssystemen zu erreichen, ohne die Leistung zu opfern.

Eine Methode, die Fairness zwischen Agenten fördert, die um begrenzte Ressourcen konkurrieren.

Eine neuartige Methode, um Fairness in KI-Systemen mit historischen Daten zu gewährleisten.

Eine neue Methode zur gerechten Ressourcenverteilung unter Verwendung von Karma-Prinzipien erkunden.

Ein neues Framework verbessert die Bewertung von föderierten Lernalgorithmen in verschiedenen Anwendungen.