fairness

本文针对多目标多智能体多臂赌博机问题，介绍了 Pareto UCB1 Gossip 和模拟 NSW UCB Gossip 算法，旨在解决随机环境下的学习效率与公平性问题。

本文批判了自动语音识别（ASR）评估中使用单一参考真实标准的做法，指出这会导致对失语症患者说话人的认识论不公。文章提出了一种新指标——认识论不公距离（EID），并提倡使用WER-Range（词错率范围）来考虑多样化的转录惯例。

MIT 研究人员发布首个涵盖七种语言的多语言否定基准，发现 CLIP 等模型在非拉丁文字上表现不佳，而 MultiCLIP 与 SpaceVLM 在各语言间的提升并不均衡。

# 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

Mediator.ai 是一款将纳什谈判博弈论与 LLM 相结合的工具，旨在促进公平的协作式谈判。它会基于双方明确的需求生成并评估候选协议，直至找到最优解。

MIT研究人员推出SEED-SET框架，利用LLM主动评估自主系统在高风险场景（如电力分配）中的伦理一致性，以弥补静态测试方法的不足。