柳下惠正直骄傲，不以被罢黜为辱，始终秉公办事。他认为羞耻的是屡次罢黜他人的人。忠厚的领导者关心亲属，任用手下，念旧且宽容。

本研究解决了现有联邦学习（FL）模型训练中公正性不足的问题，提出了一种创新的后处理框架，以提升FL系统的群体公正性。该框架通过结合标准FL训练和去中心化的本地去偏阶段，实现灵活且定制的公正性改进，显著提高了公正性，同时在多数情况下保持或甚至提升了准确性。

钟睒睒希望获得公正与边界感，因遭受网暴而认为平台和张一鸣应承担责任。他认为网民的无脑行为加剧了他的委屈，呼吁支持他争取权益，推动社会进步。

本文探讨了人类和大型语言模型（LLM）作为评判者的偏见问题，提出了五种偏见的新框架，并通过142个样本的数据集进行了评估。研究发现评判者在面对扰动时存在脆弱性，且偏见普遍存在。提出了去偏见的数据集构建方法和新的评估工具，以提高评估的可靠性和一致性。

选择公民代表的随机抽签方法，被越来越多地用于世界各地的议政过程，如公民代表会议。最近的研究集中在抽签算法，其任务是从志愿者中选择一个小组。该小组必须满足代表关键人口子群的配额。我们提出了一个新的平等目标，Goldilocks，旨在通过确保志愿者的被选择机会既不过少也不过多，同时达到这些理想。我们在理论上限制了 Goldilocks...

本文探讨如何将类人情感和伦理整合到大型语言模型（LLM）中，提出通过自我监督学习和人类反馈增强LLM的伦理维度。研究展示了LLM在教育、医疗和娱乐等领域的应用潜力，并强调将伦理标准融入LLM开发的重要性，以促进负责任的AI系统发展。

本文综述了监督学习在数据分布变化下的公平性问题，探讨了六种常用方法及其面临的挑战。研究扩展了Shifts数据集，加入高风险工业应用数据，分析模型的鲁棒性和不确定性。提出了一个统一框架用于检测数据移位，强调模型解释与预测性能之间的关系，并探讨知识蒸馏在分布转移中的应用。

本研究介绍了一种名为公平检索增强生成（FairRAG）的新框架，该框架通过从外部图像数据库中检索的参考图像来改善人类生成中的公平性，并通过将参考图像投影到文本空间的轻量级线性模块来实现条件生成，以提高公平性。通过简单而有效的去偏策略，FairRAG 提供来自各种人口群体的图像，从而在生成过程中增加了人口多样性。大量实验表明，FairRAG 在人口多样性、图像 -...

该文章介绍了一个旨在减少群体偏见、保护隐私和减少资源利用开销的群体公平联邦学习框架。通过计算群体重要性权重、优化表现最差群体的性能以及最小化最差和最好表现群体之间的差异，实现公平决策能力。该框架在人类情绪识别和图像分类基准上的评估验证了其在实际异构环境中的有效性。

该文介绍了 Hex 框架，用于描述大语言模型研究中的关键术语和概念，提供了精确和一致的方法。作者认为，该框架对于推动构建安全、可靠、公正和健壮的生成型人工智能系统至关重要。

该文介绍了一个名为“Nbias”的框架，用于检测和消除文本数据中的偏见，确保数据的公正和道德使用。该框架包括数据层、语料库构建、模型开发层和评估层，并应用了基于transformer的标记分类模型识别具有独特命名实体的偏见词语/短语。通过定量和定性评估的混合方法，该方法能够取得1%至8%的准确率改进，并促进了文本数据的公正和道德使用。

该研究提出了一种新的“公平解释”评估方法，应用于潜在的仇恨言论的内容审查，发现显著性地图通常表现更好，显示出较少的不公平证据。

本文介绍了一种名为 Block-State Transformer 的混合层，它在内部组合了用于长距离上下文建模的 SSM 子层和用于序列的短期表示的 Block Transformer 子层，并研究了三种完全可并行化的 SSM 和块状注意力的集成变体。该模型在语言模型困惑度上胜过类似的基于 Transformer 的架构，并可以推广到更长的序列。

该文介绍了一个群体公平的联邦学习框架，使用平均条件概率计算跨领域群体重要性权重，并使用修改的乘法权重更新方法来优化表现最差的群体的性能。正则化技术被提出来最小化最差和最好表现群体之间的差异，并通过阈值机制确保在减少偏见和群体表现下降之间取得平衡。该框架在人类情绪识别和图像分类基准上进行了评估。