Neuste Artikel für Voreingenommenheit

Eine neue Methode verbessert die Schätzung des Leistungsspektrums aus nicht gleichmässig gesampelten Daten.

Forscher verwenden propositionale Proben, um die Zuverlässigkeit von Sprachmodellen zu erhöhen.

Untersuchung des Bedarfs an Fairness in der KI und ihrer Auswirkungen auf die Gesellschaft.

Dieser Workshop analysiert Geschlechterstereotype in KI durch die Brille gesellschaftlicher Vorurteile.

Eine Studie über Vorurteile in Modellen zur Generierung synthetischer Bilder und deren gesellschaftliche Auswirkungen.

PopAlign zielt darauf ab, Vorurteile bei der Text-zu-Bild-Generierung zu reduzieren und dabei die Qualität aufrechtzuerhalten.

Die Herausforderungen und Lösungen für Bias im maschinellen Lernen erkunden.

Eine neuartige Methode verbessert die Genauigkeit von Schätzungen der Behandlungseffekte über die Zeit.

Untersuchen der Beziehung zwischen Datenschutztechniken und Vorurteilen in Sprachmodellen.

Tools wie OxonFair helfen, Fairness in der KI-Entscheidungsfindung zu gewährleisten.

Namen aus verschiedenen Ländern beeinflussen, wie Klassifizierer Inhalte in sozialen Medien interpretieren.

Ein Rahmenwerk, um Vorurteile in KI-Sprachmodellen zu reduzieren und gleichzeitig die Genauigkeit zu wahren.

Erforschen, wie synthetische Daten maschinelles Lernen-Modelle und ihr Verhalten beeinflussen.

Wir stellen FairMedFM vor, um die Fairness von Grundlagenmodellen im Gesundheitswesen zu bewerten.

Ein neues Framework analysiert und reduziert Vorurteile in Vision-Language-Modellen durch gezielte Eingriffe.

Analyse von genetischen Merkmalen durch fortgeschrittene Kovarianzmatrizen-Techniken.

Ein Blick auf Methoden zur Reduzierung von Vorurteilen in automatisierten Entscheidungen mithilfe von Fair Representation Learning.

Untersuchung der Auswirkungen polariserter Vordergründe auf CMB-Messungen.

In diesem Papier geht's darum, wie man Verzerrungen in KI-Bildern und Textdaten reduzieren kann.

Lern, wie bedeutungsvolle Gewichtung die Modellleistung bei Kovariatenverschiebungen verbessert.

Erforschen, wie zu viele Optionen die Entscheidungsfindung komplizieren können.

Eine Untersuchung zum Einfluss von Interessenvertretung in medizinischen Fachzeitschriften während COVID-19.

Die Risiken und Auswirkungen von Replikation in der visuellen Diffusionsmodell-Technologie erkunden.

Studie zeigt Geschlechterstereotypen in emotionalen Reaktionen von Bangla-Sprachmodellen.

Diese Studie zeigt, dass LLMs ihre eigenen Ergebnisse lieber mögen als menschlich verfasste Inhalte.

Eine Studie darüber, wie Stereotypen Sprachmodelle beeinflussen, anhand des GlobalBias-Datensatzes.

Bayes-Faktoren helfen Forschern, Hypothesen anhand von datenbasierten Beweisen zu bewerten und zu vergleichen.

Eine neue Methode verbessert das Lernen mit mehreren Aufgaben, indem sie Ziele und Merkmale aggregiert.

Erforschen, wie Machine-Learning-Techniken dabei helfen, inverse Probleme in verschiedenen Bereichen zu lösen.

Ein kritischer Blick auf Diversität in Datensätzen und wie man sie verbessern kann.

Eine Studie über mehrsprachige Facebook-Beiträge zur israelischen Kriegsführung in Gaza.

BiasAlert verbessert die Erkennung von Vorurteilen in Sprachmodellen für gerechtere KI-Ergebnisse.

In diesem Artikel geht's darum, wie man Reinforcement Learning nutzen kann, um Vorurteile bei Klassifikationsaufgaben zu verringern.

Forschung stellt ein Konzept vor, um Vorurteile in KI-generierten Texten zu reduzieren.

Die Notwendigkeit von Vielfalt und Inklusion in der KI-Entwicklung untersuchen.

Die Nutzung von externen Kontrollen kann die Schätzung der Behandlungseffekte in klinischen Studien verbessern.

Ein robustes Datenset zum Trainieren von fortschrittlichen Chat-basierten KI-Systemen.

Eine neue Methode verbessert die Fairness in der Datenmodellierung im Gesundheitswesen.

Erforschen Sie verschiedene Methoden zur Schätzung der Entropie in der Datenanalyse.

Verstehen, wie kürzere Planungszeiträume die Entscheidungsfindung mit begrenzten Informationen verbessern.