CATEGORY

Fairness

1692
  • 論文研究

ユーザー中心のAI倫理アプローチ（The User-first Approach to AI Ethics: Preferences for Ethical Principles in AI Systems across Cultures and Contexts）

田中専務拓海先生、最近「AI倫理をユーザー目線で考える」と言う論文を耳にしました。うちの現場でも何を優先すればいいか悩んでおりまして、投資対効果の観点から教えていただけますか。AIメンター拓海素晴らしい着眼点ですね！まず結論を簡潔に言いますと、ユーザーはプライバシー、正義・公平性、透明性

  • Fairness
  • , Ethics
  • 論文研究

顔認識における因果的バイアス帰属のためのハイブリッドGAN–拡散合成（GANDiff-FR: Hybrid GAN–Diffusion Synthesis for Causal Bias Attribution in Face Recognition）

田中専務拓海先生、最近、部下が「偏りを定量的に調べた論文があります」と言ってきまして、そろそろ社内でも顔認識の導入や評価を真面目に考えねばと焦っております。要点を簡潔に教えていただけますか。AIメンター拓海素晴らしい着眼点ですね！結論だけ先に言うと、この研究は「合成データで属性（照明や角

  • Diffusion Model
  • , Fairness
  • , Bias
  • 論文研究

AIにおける種差別（Speciesism in AI: Evaluating Discrimination Against Animals in Large Language Models）

田中専務拓海先生、最近部下から『AIが動物に差別的だ』って話を聞きまして、正直どう反応していいか分かりません。これって本当に問題になるんでしょうか。AIメンター拓海素晴らしい着眼点ですね！お任せください。要点を3つにまとめると、1）大規模言語モデル（large language mode

  • Ethics
  • , LLM
  • , Fairness
  • , Bias
  • 論文研究

ノード分類のための反事実証拠の探索（Finding Counterfactual Evidences for Node Classification）

田中専務拓海先生、最近部下から「グラフデータに反事実（カウンターファクチュアル）を使う研究が来ている」と聞きまして、正直どこから手をつけていいのか分かりません。要するに何ができるのですか。AIメンター拓海素晴らしい着眼点ですね！大丈夫、一緒に整理しましょう。今回の論文はグラフ上のノード分

  • Fairness
  • , Neural Networks
  • , Classification
  • 論文研究

ナップサック制約下における公平な部分集合最大化 (Fair Submodular Maximization over a Knapsack Constraint)

田中専務拓海先生、最近部署で「フェアネスを考えた選定アルゴリズム」が話題になりまして、白黒はっきりしないんですがこの論文は何を変えるんでしょうか。現場ではコスト制約が厳しいので、ナップサックみたいな制約下で使えるのかが気になります。AIメンター拓海素晴らしい着眼点ですね！結論を先に言うと

  • Fairness
  • 論文研究

信頼できる公平性監査のための半教師あり推論（Reliable fairness auditing with semi-supervised inference）

田中専務拓海先生、最近部署で『公平性監査』という言葉が頻繁に出ましてね。現場からは「AIが偏っているかもしれない」との話ですが、正直何をどう調べればいいのか見当がつかないのです。AIメンター拓海素晴らしい着眼点ですね！公平性監査（fairness auditing）は、あるAIが性別や年

  • Fairness
  • , Machine learning
  • 論文研究

グラフにおけるアルゴリズム的バイアスのアンラーニング（Unlearning Algorithmic Biases over Graphs）

田中専務拓海先生、最近部署で「グラフのバイアスを消す手法がある」と聞いたのですが、何を指しているのか見当がつきません。要するに我が社の顧客ネットワークで偏りが出るのを防げるのですか？AIメンター拓海素晴らしい着眼点ですね！大丈夫、一緒に整理すれば必ずわかりますよ。要点は三つです。第一に“

  • Fairness
  • , Bias
  • 論文研究

公平な教師あり学習のための滑らかな非凸不公正尺度代理による制約（Fair Supervised Learning Through Constraints on Smooth Nonconvex Unfairness-Measure Surrogates）

田中専務拓海先生、お忙しいところ失礼します。部下から「公正性（フェアネス）を考えた機械学習を導入すべきだ」と言われまして、先日紹介された論文の話をざっくり教えていただけますか。私は技術屋ではないので、投資対効果や現場での実装に不安があるのです。AIメンター拓海田中専務、素晴らしい着眼点で

  • Fairness
  • , Machine learning
  • 論文研究

分類精度と効用の計算上のトレードオフ（Accuracy vs. Accuracy: Computational Tradeoffs Between Classification Rates and Utility）

田中専務拓海先生、お忙しいところ失礼します。うちの部下が「公平性と効率は両立できない」という論文を紹介してきて困っているのですが、要するに投資してAIを導入しても現場がうまく動かない、という話なのでしょうか。AIメンター拓海素晴らしい着眼点ですね！大丈夫、一緒に整理しましょう。今回の論文

  • Fairness
  • , Classification
  • 論文研究

ATR-Bench：適応・信頼・推論を評価するフェデレーテッドラーニングの統合ベンチマーク（ATR-Bench: A Federated Learning Benchmark for Adaptation, Trust, and Reasoning）

田中専務拓海先生、最近部下から「フェデレーテッドラーニングって会社で使える」って聞いたのですが、正直よく分かりません。要するに何ができるんですか。AIメンター拓海素晴らしい着眼点ですね！フェデレーテッドラーニング（Federated Learning、FL、分散学習）は、データを一か所に

  • Fairness