Articoli più recenti per Etica della Tecnologia

Un metodo per mantenere la privacy mentre si condividono statistiche sul traffico urbano.

Questo articolo esplora strategie per proteggere la privacy individuale nel machine learning.

Scopri come la privacy differenziale protegge i dati personali pur permettendo analisi utili.

Un approccio nuovo all'IA combina modelli linguistici con programmi simbolici per una migliore interpretabilità.

Impara le migliori pratiche per sviluppare modelli di AI in modo responsabile ed efficace.

Uno sguardo alle categorie di rischio dell'IA e alla necessità di politiche unificate.

Nuovi metodi rivelano gravi minacce alla privacy derivanti dalla condivisione dei dati sulla posizione.

Questo articolo esamina se i modelli linguistici grandi hanno credenze e intenzioni.

Discutere della giustizia a lungo termine nella tecnologia e del suo impatto sociale.

AAggFF introduce strategie adattive per un rendimento equo dei modelli nel Federated Learning.

Strumenti come OxonFair aiutano a garantire equità nelle decisioni dell'IA.

La ricerca mostra quanto sia facile rimuovere le funzionalità di sicurezza dai modelli Llama 3.

La ricerca mostra come piccoli aggiustamenti possano migliorare le risposte dell'IA a culture diverse.

Questo articolo esamina i rischi legati ai LLM e propone modi per migliorare la sicurezza.

Un nuovo framework punta a rilevare e correggere gli errori nei risultati degli LVLM.

Questo studio esamina i problemi di privacy e i metodi di protezione per i classificatori AI.

Questo studio valuta quanto bene i modelli di IA capiscono diverse culture.

Un nuovo metodo di difesa per migliorare la sicurezza nei modelli di diffusione da testo a immagine.

NFARD offre metodi innovativi per proteggere i diritti d'autore dei modelli di deep learning.

Questo studio si concentra sul ridurre il bias di genere nei modelli linguistici IA attraverso un linguaggio inclusivo.

Migliorare la fiducia e la conformità nei modelli linguistici tramite un'adeguata attribuzione delle fonti.

Questo studio rivela che i modelli LLM preferiscono i propri risultati rispetto ai contenuti scritti da umani.

Uno studio rivela le difficoltà per gli umani e l'IA nel riconoscersi a vicenda.

Esaminando come il linguaggio influisce sulle opinioni di genere attraverso i pregiudizi nei modelli di IA.

CEIPA aiuta a scoprire vulnerabilità nei modelli linguistici di grandi dimensioni per migliorare la loro sicurezza.

Esaminare i rischi e le misure di sicurezza per i robot alimentati da LLM.

Esaminare l'impatto dei LLM sui stereotipi sociali e i modi per migliorare i risultati.

Uno studio rivela rischi sorprendenti nel condividere dati sensibili con chatbot.

Esaminando la privacy differenziale e la regressione NTK per proteggere i dati degli utenti nell'AI.

Esplorando la privacy differenziale per proteggere info sensibili nelle applicazioni di IA.

Honest Computing punta sulla fiducia e sull'etica nella gestione dei dati.

Un sistema che permette ai proprietari dei dati di controllare usi non autorizzati dei loro dati nel ML.

Questo metodo migliora la privacy mentre aumenta l'accuratezza del modello nell'IA.

Esplorando tecniche per rimuovere i dati in modo efficace dai modelli di IA.

Esaminare gli effetti sociali e ambientali dei modelli di fondazione AI.

Esaminando la privacy differenziale nella elaborazione del linguaggio naturale per una migliore protezione dei dati.

Esaminando come gli strumenti di intelligenza artificiale possano rafforzare i pregiudizi nella selezione dei curriculum.

Il metodo CrossWalk migliora l'equità nelle rappresentazioni dei nodi tenendo in considerazione informazioni sensibili.

Le spiegazioni ingannevoli dell'AI possono influenzare le credenze, complicando la lotta contro la disinformazione.

Questo documento esamina l'efficacia dei metodi attuali di verifica dell'unlearning delle macchine.