标签
论文表明，大型语言模型中对名称的不平等单词元支持导致跨人口统计学的偏见概念可访问性，并引入了NameTrace来衡量词汇可比性。
该研究系统评估了用于预测阿片类药物使用障碍治疗保留的机器学习模型中的算法公平性，发现患者亚组之间存在性能差距，并评估了具有权衡的偏差缓解技术。
FairLMs 是一个 Python 库，旨在通过提供度量标准、缓解方法和具有显式能力声明的诊断工具，来简化语言模型中的公平性研究。
本文提出了Fed-Equilibrium，一个联邦学习框架，利用拓扑帕累托控制来平衡临床网络中的鲁棒性和公平性，确保少数节点能够达到与主要枢纽节点相当的收敛性。
本文介绍了SCOPED-Hiring，一种用于基于LLM的多智能体招聘系统的过程感知公平性诊断流程，它可以揭示决策轨迹中的隐藏偏见并实现针对性修复。
本文提出了针对自动驾驶汽车中LLM和VLM的新偏见测试方法，表明这些模型在行人礼让决策中继承了基于性别、种族和年龄等属性的人类偏见。
本文引入了一个令牌成本账本来分析多语言分词税，将其分解为可移除和内在组成部分，表明非英语文本的大部分超额令牌成本可以通过改进的分词代码来移除。
RL-FAT 是一个用于公平对抗训练的强化学习框架，旨在提高模型鲁棒性并减少不同类别之间的鲁棒性差异。实验表明，与标准方法相比，该方法在准确性和公平性方面都表现出竞争力。
本文提出了一种通信约束下去中心化学习的统一框架，引入了DMFL-SQ算法。该算法结合了基于图的个性化、无关公平性和压缩通信，以在保持预测性能并提升客户端间公平性的同时减少通信开销。
本研究考察了大型语言模型如何根据社区名称与坐标来判断城市安全，揭示了名称既承载犯罪信号又承载人口统计偏差，且偏差随地理知识扩展。
本文介绍了一个可解释的特征-大语言模型混合系统，用于自动化第二语言英语口语评估。该系统优于个别受过训练的人类评判者，并表明停顿编码对大语言模型流畅度评分没有显著影响。
Voice Arena 和 Hugging Face 已将印地语和印度英语添加到 Open ASR 排行榜，引入新的评估集，旨在捕捉多样化的说话者属性并解决自动语音识别中的偏见。
本文介绍了一种用于LLM链式推理中偏差校正的自适应触发框架，利用在线变化点检测，结合白盒和黑盒信号来优化干预时机，从而提高准确性并减少干预次数。
本文提出反事实集成解码（CED），通过构建多组反事实视角并在解码过程中集成它们，以减轻大型视觉语言模型中的社会偏见，实现显著的偏见减少同时保持模型能力。
Redox OS 实现了 EEVDF 调度器，替换了 DWRR，显著提升了公平性、上下文切换时间和吞吐量。
本文讨论了近期医疗研究，揭示AI模型继承人类偏见的现象，并列举了Zack等人（2024年）和Omar等人（2025年）的具体研究案例。文章邀请读者分享在ChatGPT和Claude等模型中遇到AI偏见的经历。
本文提出FedCurv-DR，一种轻量级的联邦持续学习方法，旨在减少遗忘并平衡性能、公平性和能效，以实现文化遗产应用中的可持续AI。