テクノロジーの倫理 に関する最新の記事

ニューラルネットワークがトレーニングデータをどうやって思い出すかと、そのプライバシーリスクについて調べる。

この記事では、AIシステムの意図を評価する方法について考察するよ。

ディープラーニングの概要、その重要性、課題、今後の展望について。

この記事では、AIにおける言語モデルの評価の重要性と方法について考察します。

強力なAIシステムの安全性と規制の課題に対処する。

拡散モデルを誘導して、望ましくない画像生成を防ぐ方法。

この記事は、LLMが研究のやり方や倫理的な考慮に与える影響を探るものです。

DBFedは、データプライバシーを守りながらAIのバイアスを減らすことを目指してるよ。

安全なAIシステムのための強化学習技術を探求中。

反実仮想説明を使って推薦システムの公平性を分析する。

AIによる履歴書のスクリーニングにおけるバイアスを調べて、公平性を改善する方法。

ユーザーが敏感な情報を共有する際のプライバシーリスクをどう感じるかを調べる。

公共データがプライバシー保護型機械学習モデルをどのように改善できるか探ってる。

大きな言語モデルがクレジットリスクの評価にどう役立つかを調べる。

機械学習の画像生成における社会的および倫理的リスクを調べる。

AI言語モデルGPT-2とGPT-3.5におけるジェンダーバイアスに関する研究。

生成言語モデルが既存のコンテンツをどのように借りているか、そしてその意味について分析する。

フェデレーテッドラーニングのクライアント選択における公正性を向上させる新しい方法。

AI開発における安全性と信頼のための構造化されたドキュメンテーションの重要性を探ってみよう。

この記事では、言語モデル内のバイアスを特定する際の推論の役割について紹介してるよ。

人間の言語データを分類するための言語モデルの効果を検証中。

不確かな人口情報を使って、アルゴリズムの公平性を高める新しいフレームワークが登場したよ。

複数の保護属性を考慮したMLシステムの公平性を調査する。

機械学習の公平性を考えて、すべてのグループに対して平等な扱いを確保すること。

RLHFをAIアラインメントに使う時の課題の概要。

AIが人間の利益に合うようにする方法を考える。

機械がシンプルなパーツから複雑な結果を作り出す方法を調べる。

インドとOECD諸国におけるAIに関する信頼と責任の違いを探る。

大規模言語モデルの有害な使用を追跡する新しい方法。

新しいツールは、多様なデータセットへのアクセスを提供することでAIの公平性を高めることを目指してるよ。

医療画像における公平な結果を促進するためのデータセットバイアスへの対処。

データの変化がアルゴリズムの性能や社会的結果にどう影響するかを調べる。

運用中のAIシステムの公平性を確保するための新しいフレームワーク。

研究者たちは、機械が作ったテキストと人間が作ったテキストを識別する方法を開発してる。

言語によるバイアスの違いと、それが言語モデルに与える影響を調べる。

バイアスが画像モデルにどう影響するか、そしてその軽減策を探る。

人間のパターンを分析してAIの意思決定を改善するための研究。

この記事では、AIの公平性を確保するために多様なデータセットが必要だってことについて話してるよ。

研究は、感情認識システムにおける重要な人種的偏見を強調している。

子供の顔の多様な画像を作って、認識システムを強化する。