机器学习中的关节工作与调试为公平

本文评估了来自多个非计算学科对机器学习公正技术的批评，旨在提供跨学科理解，以实现社会边缘化群体的公正结果。

多样性被提倡为实现算法公平的核心优先事项，并为计算机科学从业人员提供具体的多样性措施建议。

从残疾人的角度分析人工智能对其道德影响，强调关注道德正义而非仅仅是公平性。

探讨人工智能对齐问题的哲学问题，提出合理的原则和方法以解决技术和规范问题，达成公平的人工智能对齐。

讨论 FAIR 准则在数据管理和人工智能模型中的应用，分享科研人员在实践中的经验。

提出一个框架，将信息安全领域的概念应用于人工智能系统开发，以解决公正性、可解释性和科技伦理问题。

总结和评估追求人工智能系统公正性的各种方法，提供定义、衡量和预防人工智能偏见的实用指南。

提出基于上下文和社会中心的方法，帮助项目团队识别和处理人工智能项目中的不公平偏见和歧视。

研究业界从业人员在跨职能协作AI公平方面的现状和策略，识别支持更有效协作的机会。

引入三部分的决策工具包，探讨公平和道德人工智能的方法，主张采用特定的推理和创造性方法解决相关问题。