10:56
arXiv cs.LG@Bruno Scarone, Alfredo Viola, Renée J. Miller
推荐理由：这篇论文想办法解决交叉群体数据少导致的模型歧视，搞了个框架能平衡公平和成本，还告诉你修改多少数据能换多少公平。
全部 AI 动态
AI 相关资讯全量信息流
6月19日
10:56
该论文针对机器学习模型在种族和性别等交叉敏感属性上表现出的歧视问题，提出了一种扩展的偏差缓解框架。该框架引入覆盖约束，确保训练数据中交叉子群有足够代表性。通过将偏差缓解表述为整数线性规划，量化了公平性代价（最小数据修改成本作为公平容忍度的函数）。在公开数据集上的实验表明，该方法能在保留预测精度的同时，通过容忍小近似偏差提高数据效率，并满足覆盖约束对下游性能的保护。
6月17日
12:00
12:00
arXiv cs.LG@Umer Siddique, Peilang Li, Yongcan Cao
推荐理由：这篇论文提出了在MORL中兼顾最优和公平的新方法，用GGF和三种算法生成多样化的公平策略，比传统单策略方法更灵活。
6月16日
20:46
AITOP6月16日 20:46
6月12日
12:57
AITOP6月12日 12:57
6月11日
15:28
AITOP6月11日 15:28
15:23
AITOP6月11日 15:23
15:07
AITOP6月11日 15:07
6月10日
09:26
09:26
arXiv cs.LG@Vojtěch Staněk, Eva Trnovská, Kamil Malinka, Anton Firc
推荐理由：做语音安全或深度伪造检测的研究者会发现，现有数据集的公平性和泛化性评估可能建立在脆弱基础上——这篇审计直接点出了数据层面的系统性漏洞，值得在选数据集或写论文时参考。
6月1日
10:38
10:38
arXiv cs.AI@Arnau Marin-Llobet, Simon Henniger, Mahzarin R. Banaji
精选
推荐理由：做AI公平性研究或模型对齐的团队，这篇论文直接戳破了VLM在模糊输入下的性别偏见黑箱——LALS方法让你能逐层看到模型内部编码与输出的脱耦，建议做模型审计的开发者点开看看具体实验设计。
5月29日
12:12
12:12
arXiv cs.LG@Daniel Kuznetsov, Ziqi Wang
推荐理由：联邦学习团队终于有了一个能动态衡量客户端贡献的方法——FedTSV解决了固定权重带来的不公平和训练不稳定问题，做分布式模型训练的开发者可以直接参考实验效果。
5月21日
12:17
12:17
arXiv cs.LG@Calvin Isley, Johann D. Gaebler, Sharad Goel
精选
推荐理由：做公平性AI或高利害决策系统的团队，这篇给出了一个可落地的方案——用专家评分嵌入替代黑盒特征，既减少偏见又提升质量，值得细读。
5月19日
14:29
14:29
arXiv cs.AI@Aditya Tanna, Nassim Bouarour, Mohamed Bouadi, Vinay Kumar Sankarapu, Pratinav Seth
精选
推荐理由：医疗AI团队终于有了低成本部署高精度表格模型的方案——蒸馏后模型保留90%性能且快26倍，做健康数据预测的开发者可以直接用。