Derniers articles pour Éthique de la technologie

Enquête sur comment les LLM interagissent avec les pensées et les émotions humaines.

Cet article parle des méthodes pour rendre les sorties des modèles de langage plus justes.

Une méthode pour prévenir l'utilisation abusive des modèles de texte à image tout en maintenant leurs applications légales.

Des recherches montrent des vulnérabilités dans l'approche de la confidentialité des textes en apprentissage fédéré.

Améliorer les modèles pour comprendre les interactions humaines-objets au quotidien grâce à des approches innovantes.

Un aperçu de l'importance de la sécurité dans les systèmes d'IA et les interactions avec les utilisateurs.

Une nouvelle méthode améliore la compréhension des résultats des modèles de langage.

Explorer la sécurité, la fiabilité et les problèmes éthiques dans les modèles de langage.

Examiner la lutte de l'IA avec l'honnêteté et son impact sur la confiance des utilisateurs.

Cet article examine comment l'IA peut impacter les groupes marginalisés et des façons d'améliorer les résultats.

Explore les défis de la vie privée posés par les attaques par inférence dans les modèles d'apprentissage automatique.

Explorer l'apprentissage fédéré et l'oubli pour la vie privée des utilisateurs et l'intégrité des modèles.

Explorer les complexités de l'alignement des systèmes d'IA avec les divers intérêts humains.

Cet article examine comment les modèles de diffusion améliorent la génération et la manipulation d'images.

Examiner comment l'équité dans l'apprentissage automatique peut évoluer au fil des décisions et du temps.

Cet article parle des défis de l'oubli machine et d'une nouvelle approche pour équilibrer la vie privée et l'exactitude.

Cet article explore les techniques et les défis pour détecter les médias deepfake.

Une étude révèle des biais dans les recommandations d'embauche de l'IA en fonction des noms des candidats.

Les traits des utilisateurs influencent les réponses des modèles de langage et leur sécurité.

Examiner comment le biais culturel influence la compréhension des images par l'IA.

Une méthode pour garder la vie privée tout en partageant des statistiques sur le trafic urbain.

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.