Derniers articles pour Éthique des données

Cette étude présente une nouvelle méthode pour identifier les images d'entraînement clés dans les visuels générés par l'IA.

Explorer des techniques pour réduire les biais dans les modèles de langage avancés.

Une nouvelle méthode s'attaque aux menaces cachées dans les grands modèles de langage.

Ce papier explore l'équité et la stabilité dans les modèles d'apprentissage automatique affectés par leurs prédictions.

Cet article aborde des méthodes pour améliorer l'alignement de l'IA avec diverses cultures.

Évaluation des stratégies pour gérer les problèmes de droit d'auteur dans les modèles de langue.

Cet atelier analyse les stéréotypes de genre dans l'IA à travers le prisme des biais sociétaux.

Améliorer la façon dont les machines répondent aux questions visuelles grâce à un raisonnement structuré.

Un aperçu des méthodes pour réduire le biais dans les décisions automatisées en utilisant l'apprentissage de représentation équitable.

Ce papier parle des méthodes pour réduire les biais dans les jeux de données d'images et de textes en IA.

FairPFN utilise des transformers pour favoriser l'équité dans les prédictions d'apprentissage automatique.

Une nouvelle méthode examine comment les données d'entraînement affectent les résultats des modèles d'IA.

Un nouvel index montre des progrès dans la transparence des modèles d'IA chez les développeurs.

Examen du rôle de l'attribution de crédit dans l'apprentissage automatique et les problèmes de droits d'auteur.

Comprendre l'importance d'auditer les explications de l'apprentissage automatique pour la confiance.

Le dé-biaisage sélectif vise à améliorer l'équité dans les prédictions des modèles de machine learning.

Cette étude s'attaque aux biais dans les modèles de génération d'images en améliorant l'inclusivité.

Cet article montre comment les VLM reflètent les stéréotypes de genre dans des tâches du monde réel.

La recherche se concentre sur l'amélioration de la sécurité des grands modèles de langage grâce à des techniques d'alignement.

PointNCBW propose un moyen fiable de vérifier la propriété des jeux de données de nuages de points.

Une étude sur l'amélioration des méthodes pour évaluer les attaques d'inférence d'appartenance dans les modèles de langage.

Explore la nécessité d'un système de feedback ouvert pour améliorer les réponses de l'IA.

Une nouvelle méthode pour générer des données synthétiques sans biais pour les applications d'IA.

De nouvelles méthodes améliorent la manière dont les modèles de langue oublient les connaissances indésirables.

Présentation d'explications alterfactuelles pour améliorer la transparence des modèles IA.

Examiner le traitement des travailleurs de données dans l'IA et son impact sur l'équité.

Examiner l'importance de l'équité dans les systèmes d'IA qui influencent nos vies.

Une nouvelle approche pour valoriser les données met l'accent sur leur unicité pour l'apprentissage automatique.

Perspectives et conseils pour créer des datasets responsables en apprentissage automatique.

Examiner comment les facteurs sociaux influencent les résultats de l'apprentissage automatique dans la santé.

Explorer les lacunes actuelles dans les pratiques de transparence des données des systèmes d'IA.

Examiner l'impact de l'IA et des systèmes de crédit clinique sur la vie privée et les droits des patients.

Explore l'essor et l'impact des modèles fondamentaux en intelligence artificielle.

Un cadre pour identifier et réduire les biais dans les données visuelles pour les modèles d'IA.

Un nouveau cadre vise à révéler les biais dans les scénarios de jeu de rôle des modèles de langage.

Une nouvelle méthode vise à réduire les biais dans les prédictions des modèles de langage.

Les développeurs peuvent améliorer la vie privée des applis en analysant mieux les avis des utilisateurs avec des techniques avancées.

Une nouvelle approche s'attaque efficacement aux biais dans les modèles image-texte.

Un projet vise à donner aux artistes le contrôle sur leurs contributions créatives à l'IA.

Découvrez comment les données vocales émotionnelles transforment la technologie de vérification des intervenants.