Derniers articles pour L'éthique dans la technologie

Découvre l'importance de l'équité et du cadre CIF dans l'apprentissage automatique.

Le nouveau modèle relie la compréhension du langage à la traitement d'images de manière efficace.

Une étude sur les tendances et les caractéristiques des images générées par l'IA utilisant TWIGMA.

Évaluer comment les classificateurs mal interprètent les émotions négatives dans la détection des langues.

Examiner comment les réseaux de neurones peuvent se souvenir des données d'entraînement et les risques de confidentialité qui en découlent.

Cet article examine comment évaluer les intentions des systèmes d'IA.

Un aperçu de l'apprentissage profond, son importance, ses défis et ses perspectives d'avenir.

Cet article examine l'importance et les méthodes d'évaluation des modèles linguistiques en IA.

Aborder les défis de sécurité et de réglementation des systèmes d'IA puissants.

Une méthode pour guider les modèles de diffusion et empêcher la création d'images non désirées.

Cet article examine l'impact des LLM sur les pratiques de recherche et les considérations éthiques.

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

Explorer des techniques d'apprentissage par renforcement pour des systèmes d'IA plus sûrs.

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

Examiner les biais dans le filtrage des CV par l'IA et des moyens d'améliorer l'équité.

Examiner comment les utilisateurs perçoivent les risques de confidentialité en partageant des infos sensibles.

Explorer comment les données publiques peuvent améliorer les modèles d'apprentissage machine préservant la vie privée.

Examiner comment les grands modèles de langage peuvent aider à évaluer le risque de crédit.

Examiner les risques sociaux et éthiques dans la génération d'images par apprentissage automatique.

Une étude sur les biais de genre dans les modèles de langage IA GPT-2 et GPT-3.5.

Analyser comment les modèles de langage génératifs s'inspirent du contenu existant et ce que ça implique.

Une nouvelle méthode pour améliorer l'équité dans la sélection des clients en apprentissage fédéré.

Explore l'importance de la documentation structurée dans le développement de l'IA pour la sécurité et la confiance.

Cet article met en avant le rôle du raisonnement pour identifier les biais dans les modèles de langage.

Examiner l'efficacité des modèles de langage pour classer les données linguistiques humaines.

Un nouveau cadre améliore l'équité des algorithmes en utilisant des infos démographiques incertaines.

Enquête sur l'équité dans les systèmes d'IA en tenant compte de plusieurs attributs protégés.

Aborder l'équité en apprentissage automatique pour garantir un traitement égal pour tous les groupes.

Un aperçu des défis liés à l'utilisation de RLHF pour l'alignement de l'IA.

Examiner comment s'assurer que l'IA soit en accord avec les intérêts humains.

Examiner comment les machines apprennent à créer des résultats complexes à partir de pièces simples.

Explorer comment la confiance et la responsabilité diffèrent en Inde et dans les pays de l'OCDE concernant l'IA.

Une nouvelle méthode pour retracer l'utilisation nuisible des grands modèles de langage.

De nouveaux outils visent à améliorer l'équité dans l'IA en rendant l'accès à des ensembles de données variés.

S'attaquer aux biais des jeux de données pour favoriser des résultats équitables dans l'imagerie médicale.

Examiner comment les changements dans les données influencent la performance des algorithmes et les résultats dans la société.

Un nouveau cadre pour garantir l'équité dans les systèmes d'IA pendant leur fonctionnement.

Des chercheurs développent des méthodes pour identifier les textes créés par des machines ou par des humains.

Examiner comment les biais varient d'une langue à l'autre et leur impact sur les modèles linguistiques.

Explorer comment les biais affectent les modèles d'image et les stratégies pour les atténuer.