Derniers articles pour Équité

Discuter de la répartition équitable des récompenses dans les systèmes de crowdsourcing.

Une nouvelle méthode réduit le biais dans l'apprentissage automatique tout en maintenant la performance.

Examiner le biais dans les algorithmes d'IA qui impactent les diagnostics médicaux pour des populations diverses.

Un aperçu de l'impact de l'apprentissage fédéré sur la vie privée et l'équité.

FairDP propose une solution pour garantir la confidentialité et l’équité dans les systèmes d’apprentissage automatique.

Examiner l'équité dans la distribution des biens et des corvées entre des personnes avec des besoins différents.

Un aperçu de l'équité et des biais dans les modèles de détection des commentaires toxiques en ligne.

Un nouvel algorithme vise à améliorer l'équité tout en gardant la pertinence dans les systèmes de classement.

Une nouvelle approche pour des messages sécurisés sans révéler l'identité de l'expéditeur ou du destinataire.

Explore les défis et solutions pour les programmes concurrents dans des modèles de mémoire faible.

Une plongée approfondie dans l'importance de l'équité dans la prise de décision en ML.

Examiner l'équité dans les systèmes de recommandation et l'impact des biais.

Une nouvelle méthode optimise les hyperparamètres en équilibrant plusieurs objectifs dans l'apprentissage automatique.

S'attaquer aux biais dans les modèles d'IA pour améliorer les soins aux patients en radiologie.

Découvre de nouvelles méthodes pour diviser équitablement les ressources entre les individus et les groupes.

Comprendre les facteurs clés dans la sélection des clients pour améliorer l'apprentissage fédéré.

Une étude sur l'utilisation de la perte par triplet pour créer des modèles d'apprentissage automatique plus équitables.

La modération de contenu est super importante pour une utilisation responsable des systèmes d'IA générative.

Une nouvelle approche pour réduire les biais dans les systèmes de reconnaissance des expressions faciales.

Une méthode pour réduire le biais dans les jeux de données d'entraînement de l'IA pour des résultats plus équitables.

Une nouvelle approche améliore l'équité et la sécurité dans les systèmes d'IA.

Cet article présente une nouvelle méthode pour organiser les transactions de manière juste et efficace.

Un aperçu des défis de la vie privée et de l'équité dans l'apprentissage fédéré.

Une nouvelle approche améliore les recommandations mutuelles sur les plateformes de job et de dating.

Présentation de GMMD, un cadre pour améliorer l'équité dans les réseaux de neurones graphiques.

Examiner les biais et les mesures d'équité dans les performances des technologies biométriques.

Examen de l'équité dans l'embauche, la santé, les prêts et la location en utilisant des données simulées.

Ce papier parle de l'importance de l'équité dans les systèmes de prise de décision automatisés.

Examiner l'équilibre entre la vie privée et l'équité dans les modèles d'apprentissage fédéré.

Examiner l'interaction entre équité, vie privée et performance prédictive dans le machine learning.

Aborder l'équité dans les modèles d'apprentissage automatique sur plusieurs tâches.

Une étude sur les défis de santé auxquels font face les résidents des maisons de retraite au Pays Basque pendant la pandémie.

Utiliser des méthodes UDA améliore la classification des lésions cutanées et favorise l'équité entre les différentes démographies.

Un nouveau cadre permet de générer des données synthétiques sur mesure pour répondre aux besoins variés des organisations.

Cette étude se concentre sur la création de systèmes de dialogue équitables grâce aux insights en apprentissage automatique.

Examine comment l'ordre des données influence l'équité dans les modèles d'apprentissage machine.

Une nouvelle méthode pour améliorer l'équité dans les modèles d'apprentissage fédéré tout en préservant la vie privée.

DBFed vise à réduire les biais dans l'IA tout en protégeant la vie privée des données.

Une nouvelle méthode améliore l'équité dans l'apprentissage par renforcement grâce aux retours humains.

Analyser l'équité dans les systèmes de recommandation avec des explications contrefactuelles.