Neuste Artikel für Datenethik

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

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

Dieser Artikel untersucht geografische Voreingenommenheit in LLMs und deren gesellschaftliche Auswirkungen.

Dieser Artikel untersucht den Einsatz von KI zur Vorhersage von Kriminalitätsorten und deren Auswirkungen.

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

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

Eine Studie zur Identifizierung und Reduzierung von kognitiven Verzerrungen in grossen Sprachmodellen.

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

Ein Blick darauf, wie Modelle Vorurteile verstärken und die Fairness beeinflussen können.

Eine neuartige Methode zur fairen Datensammlung in der prädiktiven Modellierung.

Untersuchung von Methoden zur Bewertung der Fairness in klinischen Entscheidungsunterstützungsalgorithmen.

Ein Datensatz zur Bewertung sozialer Vorurteile in indischen Sprachmodellen.

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

Forschung zeigt, wie wichtig Fairness in maschinellen Lern-Sprachdarstellungen ist.

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

Ein neues Modell verbessert die Datenfusion und Analyse im Gesundheitswesen.

Dieses Papier stellt FairGI vor, ein Framework für Fairness in Graph-Neuronalen Netzwerken.

Ein Rahmenwerk zur Bewertung der Fairness in Empfehlungssystemen, die von Benutzerattributen beeinflusst werden.

Erforschen, wie Abwesenheit besseres algorithmisches Design informieren und Gerechtigkeit fördern kann.

Neuer Massstab bewertet die Toxizität in grossen Sprachmodellen in verschiedenen Sprachen.

Dieser Artikel spricht darüber, wie wichtig Fairness bei Vorhersagen von Maschinenlernen ist.

Die Bedeutung der Datenbewertung für Sprachmodelle und ihre Auswirkungen untersuchen.

Dieser Artikel spricht über die Bedeutung von Datenpraktiken für Fairness im maschinellen Lernen.

Eine praktische Methode, um die Fairness in Algorithmen zu verbessern, ohne die Genauigkeit zu opfern.

Dieser Artikel untersucht, ob Sprachmodelle Überzeugungen haben und Kohärenz-Normen folgen.

Die Notwendigkeit von Fairness in Sprachdatensätzen für psychische Gesundheit hervorheben.

Faire Datensätze sind entscheidend für unvoreingenommene Machine-Learning-Modelle.

Die Risiken und Sicherheitsmassnahmen beim Fein-Tuning von Sprachmodellen untersuchen.

Dieser Artikel untersucht Geschlechtervorurteile in Sprachmodellen, die zur Bewertung von Depressionen verwendet werden.

Diese Studie stellt eine neue Methode vor, um wichtige Trainingsbilder in KI-generierten Visuals zu identifizieren.

Techniken zur Reduzierung von Vorurteilen in fortgeschrittenen Sprachmodellen erkunden.

Eine neue Methode geht versteckte Bedrohungen in grossen Sprachmodellen an.

Dieses Papier untersucht Fairness und Stabilität in maschinellen Lernmodellen, die von ihren Vorhersagen betroffen sind.

Dieser Artikel behandelt Methoden zur Verbesserung der KI-Ausrichtung mit verschiedenen Kulturen.

Bewertung von Strategien zur Verwaltung von Urheberrechtsfragen in Sprachmodellen.

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

Verbesserung der Art und Weise, wie Maschinen visuelle Fragen durch strukturiertes Denken beantworten.

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

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

FairPFN nutzt Transformer, um Fairness in den Vorhersagen des maschinellen Lernens zu fördern.