Search

Tag: #fairness9 results

以機器可檢查的方式因應全球 AI 監管

這篇比較研究梳理 EU、US 與 China 的 AI 監管，聚焦高風險使用案例及 FAIR 原則的實際落實方式。研究提出 Knowledge Blocks，一種基於 RDF/OWL 的合規資產模式，以支援跨多個法律制度、可供稽核的合規流程。

ArXiv AIResearch•4d ago#ai-regulation#fairness#high-risk-ai

IRIS：UMLLM公平性同步基準測試

IRIS 基準測試是首個同步評估 UMLLMs 理解與生成任務公平性的基準。由 ARES 分類器與四個數據集驅動，將 60 項指標彙整成高維「公平空間」，涵蓋 IRIS 維度。它揭露領先模型中的偏差，如「生成差距」與「人格分裂」。

ArXiv AIResearch•Mar 4#fairness#bias#multimodal

LLM 評論提升自動化試題篩選

研究人員開發了一套自動化試題評估系統，用於預測標準化測驗題目是否會被接受或永久淘汰。結合原始題目文字與 Qwen3 生成評論的融合模型表現最佳，但在偵測偏見、公平性、敏感性與無障礙問題方面仍然不足。

ArXiv AIResearch•Aug 10#automated-evaluation#item-screening#fairness

目標提示修正生成圖像偏差

新型推理時框架無需重新訓練，即緩解如 Stable Diffusion 等文字轉圖像模型的人口統計偏差。使用者可選擇公平目標，從均勻分佈到 LLM 告知的分佈，生成比例對應的人口特定提示。在 36 個提示評估中，皮膚色調輸出符合使用者定義目標。

ArXiv AIResearch•Apr 24#fairness#prompt-engineering#bias-mitigation

CAFP：反事實模型平均實現群體公平

CAFP 是一個模型無關的後處理框架，透過平均事實輸入與翻轉敏感屬性的反事實預測來確保群體公平。它無需重新訓練或在訓練時存取受保護屬性。理論分析顯示，它消除對敏感屬性的直接依賴、降低預測與敏感屬性間的互信息，並界定相對於原始模型的預測扭曲。

ArXiv AIResearch•Apr 10#fairness#counterfactual#post-processing

MAPUS：LLM 多代理實現公平城市感測

MAPUS 是一個基於 LLM 的多代理框架，用於個人化且公平的參與式城市感測。它將參與者建模為具備個人檔案與排程的自主代理，由公平感知協調代理透過語言協商進行選擇與路徑優化。真實資料集實驗顯示，在維持競爭性覆蓋率的同時，大幅提升參與者滿意度與公平性。

ArXiv AIResearch•Mar 27#multi-agent#urban-sensing#fairness

科技與倫理的平衡：AI時代個人化推薦系統的FATE準則

提出FATE準則—公平性、問責制、透明度、可解釋性—用於AI個人化推薦系統的倫理規範。詳述推薦系統階段（輸入、處理、輸出）及風險，如資訊繭房、沉迷、價格歧視。綜合全球AI倫理指南，提供企業實操框架。

虎嗅Media•Mar 24#ai-ethics#fairness

ZeroHungerAI：資料匱乏糧食政策的NLP/ML應用

ZeroHungerAI 是一款用於資料匱乏地區循證糧食安全政策的 NLP 和 ML 框架。它整合社會經濟數據與 DistilBERT 文字嵌入，在 25 個地區的 1200 樣本數據集上達到 91% 準確率與 0.86 F1 分數。相較 SVM 提升 13%，並確保 3% 人口統計平價以實現公平預測。

ArXiv AIResearch•Mar 24#nlp#transfer-learning#fairness