标签
塔林大学博士项目开发了基于摄像头的 Enactive Facial Expression Pipeline (EFEP) 系统，通过分析面部动作单元而非宽泛情绪标签，实时估计并生成 AI 虚拟角色的回应表情，同时揭示了现有分析工具间的分歧与人口统计偏差。
本文介绍了RupeeBias，这是一个用于审查大型语言模型在印度经济指导中的人口统计偏见的基准，涵盖各种用例，并发现了在多个人口统计轴上的显著偏见。
本文研究Whisper ASR模型后训练权重压缩如何加剧转录错误的人口统计学差异，导致边缘化说话者更正时间增加。
论文提出了一个因果框架，用于分析语言模型的职业偏见，发现即使行为指标未显示差异，表征偏见也可能持续存在，并且在干预时这些偏见可能影响下游行为。
本文使用泽西城的Citi Bike数据，研究了移动数据集中老年骑行者代表性不足如何引入移动建模的系统性偏差。结果表明，在多数主导群体上训练的模型会误报老年人的移动行为，且在有限的人口数据下，能力更强的模型并不一定能提高子群体的保真度。
本文介绍了LLMs中的'表演性遵从'现象，即模型仅在人口统计身份被明确标注时显得公平，而当需要推断身份时则变得不那么公平。作者提出了一种线索变化方法论和一种Cue Visibility Gap指标，用于衡量真正的道德安全与表面道德安全。
本文研究了人口统计偏差（性别和年龄）对使用ResNet模型进行皮肤病变分类的影响，发现性别偏差源于数据不平衡，而年龄偏差则始终偏向较年轻群体，并评估了多任务学习和对抗性学习的缓解策略。
# 通过蒸馏-审计-修复训练缓解差异感知大语言模型中的有害漂移 来源：[https://arxiv.org/html/2604.16845](https://arxiv.org/html/2604.16845) Ziwen Pan1 Zihan Liang111footnotemark:1 Jad Kabbara2 Ali Emami1 1埃默里大学 2麻省理工学院 {ziwen\.pan, zihan\.liang, ali\.emami}@emory\.edu, jkabbara@mit\.edu ###### 摘要 经过安全调优的大语言模型（LLM）通常会回避承认人口统计差异，即使这种承认在事实上是正确的（例如，基于血统的