Neuste Artikel für Voreingenommenheit

Eine neue Methode verbessert die Fairness und Genauigkeit von Modellen, ohne dass umfangreiche Gruppendaten nötig sind.

Eine neue Methode verbessert die Fairness bei der Erkennung von Polypen bei Darmkrebs.

Erforschen, wie LLMs Modelloutputs in mehreren Sprachen bewerten können.

Kontrafaktische Erklärungen machen KI-Vorhersagen klarer, indem sie mögliche Eingabeveränderungen zeigen.

Diese Studie untersucht, wie die Selbstdiagnose von Patienten die Genauigkeit von Sprachmodellen in der Medizin beeinflusst.

Eine Studie zeigt, dass KI-Tools die Genauigkeit bei klinischen Entscheidungen verbessern können.

Genderbias in Sprachmodellen durch natürliche Sprachinferenz analysieren.

Diese Forschung beschäftigt sich mit Vorurteilen in Dokumentenabrufsystemen unter Verwendung von Unsicherheitsabschätzungen.

Untersuchung von Vorurteilen in Anleitungsguides basierend auf dem Publikum.

Verbesserung von Zero-Shot NAS durch Bias-Korrektur für bessere Modellleistung.

Eine Methode für faires maschinelles Lernen, die Vorurteile in Entscheidungssystemen reduziert.

Untersuchen, wie Vorurteile die Qualität von Bewertungen von Sprachmodellen beeinflussen.

Ein neues Framework identifiziert und misst Vorurteile in Bildgenerierungssystemen.

Das neue Framework SUDO hilft dabei, KI-Systeme ohne Ground-Truth-Daten zu bewerten.

Dieses Papier stellt eine Methode vor, um Fairness im föderierten Lernen zu verbessern und gleichzeitig die Datensicherheit zu wahren.

Eine Studie bewertet verschiedene Techniken zur Verbesserung der Fairness von Deep Learning-Modellen in der Bildklassifikation.

Neue Hautfarbmessungen sollen Fairness und Privatsphäre in Gesichtserkennungssystemen verbessern.

Die Abwägung der Vor- und Nachteile in der Interaktion zwischen Mensch und KI und deren gesellschaftliche Auswirkungen.

Ein Blick darauf, wie LLMs die NLG-Bewertungsmethoden verbessern.

Untersuchung von Fairness und Genauigkeit bei der Erkennung von verletzlichen Verkehrsteilnehmern durch autonome Fahrzeuge.

Lern, wie die FAIR-Prinzipien ethisches Datenmanagement für KI-Modelle steuern.

Die Auswirkungen von Sentiment-Analyse auf bengalische Identitäten und Vorurteile untersuchen.

Ein Blick auf die Forschung zur Algorithmusprüfung und ihre gesellschaftlichen Auswirkungen.

Untersuchen, wie LLMs generierte Kontexte gegenüber abgerufenen bevorzugen, wenn sie Fragen beantworten.

Automatisierte Tools beurteilen African American English oft falsch, was zu unfairer Behandlung online führt.

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

Diese Studie analysiert die Objektifizierung von Charakteren in Filmen mit einem neuen AI-Ansatz.

Ein strukturierter Ansatz, um Entscheidungsfindung und Biases zu verstehen.

Ein neues Framework zielt darauf ab, Gerechtigkeit in den Vorhersagen von GNNs zu gewährleisten.

Eine Studie zeigt Vorurteile gegenüber behinderten Kandidaten in KI-Einstellungssystemen.

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

Untersuchen, wie Zusammenfassungsmodelle Bias in politischen Meinungen widerspiegeln.

Eine Studie untersucht die Leistung und Vorurteile von KI-Sprachmodellen weltweit.

Ein neuer Datensatz und eine Methode verbessern die Fragenerstellung von Sprachmodellen.

Umfrage zeigt gemischte Meinungen zur Effizienz und Fairness von KI im Transportwesen.

Dieser Artikel spricht darüber, wie man aggregierte Daten im Machine Learning verwendet und dabei die Privatsphäre schützt.

Eine Methode zur Überprüfung von Machine-Learning-Modellen, um Vertrauen und Transparenz zu steigern.

Ein neuer Ansatz verbessert die Genauigkeit der GNSS-Positionierung von Smartphones, indem er Pseudorange-Biases korrigiert.

Dieser Artikel untersucht gender- und rassistische Vorurteile in grossen Vision-Language-Modellen.

Eine Überprüfung von randomisierten kontrollierten Studien zu Hydroxychloroquin bei Covid-19.