Derniers articles pour Éthique de la technologie

Cet article explore des stratégies pour protéger la vie privée des individus dans le machine learning.

Apprends comment la confidentialité différentielle protège les données individuelles tout en permettant une analyse utile.

Une nouvelle approche de l'IA combine des modèles de langage avec des programmes symboliques pour une meilleure interprétabilité.

Apprends les meilleures pratiques pour développer des modèles d'IA de manière responsable et efficace.

Un aperçu des catégories de risques liés à l'IA et de la nécessité de politiques unifiées.

De nouvelles méthodes révèlent des menaces sérieuses pour la vie privée dues au partage de données de localisation.

Cet article examine si les grands modèles de langage ont des croyances et des intentions.

Discuter de l'équité à long terme dans la technologie et de son impact social.

AAggFF introduit des stratégies adaptatives pour un rendement équitable des modèles en apprentissage fédéré.

Des outils comme OxonFair aident à garantir l'équité dans la prise de décision de l'IA.

Des recherches montrent à quel point il est facile de retirer les fonctionnalités de sécurité des modèles Llama 3.

Des recherches montrent comment des ajustements de prompt peuvent améliorer les réponses de l'IA pour différentes cultures.

Cet article examine les risques liés aux LLM et propose des moyens d'améliorer la sécurité.

Un nouveau cadre vise à détecter et corriger les erreurs dans les résultats des LVLM.

Cette étude examine les problèmes de confidentialité et les méthodes de protection pour les classificateurs IA.

Cette étude évalue à quel point les modèles d'IA comprennent différentes cultures.

Une nouvelle méthode de défense pour améliorer la sécurité dans les modèles de diffusion texte-image.

NFARD propose des méthodes innovantes pour protéger les droits d'auteur des modèles d'apprentissage profond.

Cette étude se concentre sur la réduction des biais de genre dans les modèles de langage IA en utilisant un langage inclusif.

Améliorer la confiance et la conformité dans les modèles de langage grâce à une attribution précise des sources.

Cette étude montre que les LLM préfèrent leurs propres productions à celles écrites par des humains.

Une étude révèle les galères pour les humains et l'IA à se reconnaître.

Examiner comment le langage influence les vues sur le genre à travers les biais dans les modèles d'IA.

CEIPA aide à dénicher les vulnérabilités dans les grands modèles de langage pour améliorer leur sécurité.

Examen des risques et des mesures de sécurité pour les robots alimentés par des LLM.

Examiner l'impact des LLM sur les stéréotypes sociaux et comment améliorer les résultats.

Une étude révèle des risques surprenants à partager des données sensibles avec des chatbots.

Examiner la confidentialité différentielle et la régression NTK pour protéger les données des utilisateurs dans l'IA.

Explorer la confidentialité différentielle pour protéger les infos sensibles dans les applis IA.

Honest Computing met l'accent sur la confiance et l'éthique dans la gestion des données.

Un cadre qui permet aux propriétaires de données de vérifier l'utilisation non autorisée de leurs données dans le ML.

Cette méthode améliore la vie privée tout en augmentant la précision du modèle en IA.

Explorer des techniques pour retirer efficacement des données des modèles d'IA.

Examen des effets sociaux et environnementaux des modèles de base d'IA.

Examiner la vie privée différentielle dans le traitement du langage naturel pour une meilleure protection des données.

Examiner comment les outils d'IA peuvent renforcer les biais dans le tri des CV.

La méthode CrossWalk améliore l'équité des embeddings de nœuds tout en prenant en compte les informations sensibles.

Les explications d'IA trompeuses peuvent influencer les croyances, compliquant la lutte contre les fausses informations.

Ce papier examine l'efficacité des méthodes actuelles de vérification de l'oubli machine.

Examiner comment les T2I représentent les identités de caste et renforcent les stéréotypes.