该研究探讨了推荐系统中的因果推论和去偏差方法,提出了无偏学习框架和因果分离变分自编码器等新模型,以提高推荐的准确性和鲁棒性。实验证明,这些方法有效克服了流行性和从众性偏差,提升了推荐性能。
本研究提出了一种去偏差对比学习框架DCLMDB,以缓解推荐系统中的流行性和从众性偏差。实验结果表明,DCLMDB显著降低了双重偏差,并提升了推荐的准确性和多样性。
本研究探讨了视觉语言预训练模型中的社会偏见问题,提出了反事实偏见测量方法CounterBias和去偏差思路FairVLP。通过构建VL-Bias数据集,发现显著性别偏见,并提出自我去偏见技术,以减少模型中的刻板印象。研究结果为开发公平的人工智能模型提供指导。
本文提出了一种基于词典的约束解码方法DECIDER,旨在通过特定目标概念控制生成文本的意义和风格。研究表明,该方法能有效引导生成结果,提升大型语言模型的决策性能。此外,介绍了选择性去偏差方法和成本敏感的推迟框架DeCCaF,以提高模型的预测性能和公平性,减少错误分类成本。
本文探讨了在选择子集时平衡相关性与公平性,提出了最大边际相关方法(MMR)的变种,应用于推荐系统和搜索。研究还涉及公平聚类算法、去偏差技术及多样化数据集设计,以提高少数群体的满意度和分类效果。
本文研究了模型性能与内在偏差的关系,提出通过外部微调去除偏差的方法。实验证明,内在偏差指标能更有效地评估去偏差效果,并指出现有评估措施的局限性。研究还探讨了性别偏见的缓解策略及其对下游任务的影响,提出因果检测微调方法可在不降低性能的情况下缓解偏见。
本文提出了一种集成去偏差框架,包括偏差建模、模型校准和去偏差三个阶段,旨在提高模型在超出分布情况下的准确性。研究探讨了不确定性量化机制在不同任务中的应用,并提出了一种新的线性回归集成方法,以增强时间序列预测的准确性和鲁棒性,验证了其在医学影像和天气预报中的有效性。
该文综述多项研究:利用词典与SVM检测荷兰社交媒体种族主义评论(F得分0.46);调查ACL文献发现NLP各阶段存在种族偏见,呼吁种族公正;提出多类去偏差词嵌入、社交媒体仇恨内容检测、基于提示揭示大模型社会偏见、无监督检测隔离模式、Tumblr种族主义帖子识别、多维刻板印象数据集与分类器、Twitter恶意语言识别中的种族歧视警告,以及多标签性别歧视分类方法。
该文综述机器学习公平性评估与去偏差研究:比较再犯率、贷款、医疗等风险模型,发现优化技术可能致失公且公平机制常未被记录;MEDFAIR用于医学影像评估;公平增强算法间相关性高但对数据波动敏感;将公平项纳入目标函数可缓解敏感特征不公;临床决策中算法公平或降低组内绩效;偏差缓解在准确性与利润间难兼顾;fairlib开源框架支持多模态公平评估。
完成下面两步后,将自动完成登录并继续当前操作。