Neuste Artikel für Vorurteile in der Technologie

Dieser Artikel zeigt, wie VLMs Geschlechterstereotype bei realen Aufgaben widerspiegeln.

Untersuchen, wie KI menschliche Vorurteile aus Gesichtsruckmeldungen lernt.

Ein Blick auf semantische Leckagen und deren Einfluss auf die Ausgaben von Sprachmodellen.

Modelle bevorzugen visuelle Hinweise gegenüber erlerntem Wissen, was die Entscheidungsfindung beeinflusst.

Untersuchung der Auswirkungen von Erscheinungs-Bias in KI-Systemen.

Die Bedeutung von Fairness in KI-Systemen, die das Leben beeinflussen, untersuchen.

Diese Studie untersucht, wie CLIP Gesichter interpretiert und soziale Vorurteile widerspiegelt.

Untersuchung der Auswirkungen von Updates auf Sicherheit, Verzerrung und Authentizität bei der Bildgenerierung.

Ein neuer Massstab bewertet Vorurteile in Sprachmodellen, die für medizinische Diagnosen verwendet werden.

Eine Analyse von Fairness-Testwerkzeugen für Softwareentwickler.

Dieser Artikel untersucht, wie man Vorurteile in KI erkennt und managt, um faire Ergebnisse zu erzielen.

Diese Studie untersucht Geschlechtervorurteile in Lehrerbewertungen, die von KI-Modellen erstellt wurden.

HEARTS hat das Ziel, die Erkennung von Stereotypen in Texten zu verbessern und dabei Erklärbarkeit und Nachhaltigkeit zu gewährleisten.

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

Forscher entwickeln Methoden, um Fairness in Machine-Learning-Systemen zu gewährleisten.

Voreingenommenheit in ML-Modellen für faire Empfehlungen zur Behandlung von SUD angehen.

Die Untersuchung der Voreingenommenheit von KI-Musik zugunsten von Globalen Nord-Stilen gegenüber Traditionen des Globalen Südens.