Uczciwość w sztucznej inteligencji

Ten moduł bada sprawiedliwość w sztucznej inteligencji (AI), koncentrując się na identyfikacji i łagodzeniu uprzedzeń w systemach AI. Obejmuje źródła uprzedzeń, metody oceny i poprawy sprawiedliwości oraz etyczne implikacje decyzji AI wobec różnych populacji, mając na celu promowanie równości i zapobieganie dyskryminacji w zastosowaniach AI.

Curriculum Builder

Potrzebują Państwo pomocy? Proszę kliknąć tutaj, aby uzyskać instrukcje.

Angwin, Julia, Jeff Larson, Surya Mattu i Lauren Kirchner. „Stronniczość maszyny”. ProPublica, 23 maja 2016 r.

https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing

Grira, Nizar i M. Crucianu. „Nienadzorowane i częściowo nadzorowane grupowanie: krótkie badanie”, 2004.

https://www.semanticscholar.org/paper/Unsupervised-and-Semi-supervised-Clustering-%3A-a-%E2%88%97-Grira-Crucianu/acb799150e4cd3a75fe79ca262047612bd8e5194

Olteanu, Alexandra, Carlos Castillo, Fernando Diaz i Emre Kıcıman. „Dane społeczne: uprzedzenia, pułapki metodologiczne i granice etyczne”. Frontiers in Big Data 2 (11 lipca 2019 r.): 13.

https://doi.org/10.3389/fdata.2019.00013

Mehrabi, Ninareh, Fred Morstatter, Nanyun Peng i Aram Galstyan. „Detencyjność wykrywania społeczności: znaczenie słabo połączonych węzłów.” arXiv, 2019.

https://doi.org/10.48550/ARXIV.1903.08136

Fortunato, Santo i Darko Hric. „Wykrywanie społeczności w sieciach: Podręcznik użytkownika”. Physics Reports 659 (2016): 1–44.

https://doi.org/10.1016/j.physrep.2016.09.002

Zhao, Jieyu, Tianlu Wang, Mark Yatskar, Vicente Ordonez i Kai-Wei Chang. „Mężczyźni też lubią zakupy: zmniejszanie uprzedzeń płciowych za pomocą ograniczeń na poziomie korpusu.” arXiv, 2017.

https://doi.org/10.48550/ARXIV.1707.09457

Mehrabi, Ninareh, Fred Morstatter, Nripsuta Saxena, Kristina Lerman i Aram Galstyan. „Ankieta na temat uprzedzeń i uczciwości w uczeniu maszynowym”. ACM Computing Surveys 54, nr 6 (13 lipca 2021 r.): 1–35.

https://doi.org/10.1145/3457607