新框架解决了开放式人工智能生成中的公平性目标

一篇新发表在arXiv上的研究论文解决了在开放式文本生成中建立公平人口统计目标所面临的挑战。作者们提出了一个框架来正式化这些目标的构建，超越了仅仅假设输入端的敏感属性。他们的方法将目标创建分解为四个承诺：评估对象、先验可接受性、分配和操作化。当应用于AP-Bench数据集时，该框架揭示了与地理来源目标存在显著差异，这表明目标构建是公平性评估的关键组成部分，而不是一个初步步骤。 AI

影响 为评估和确保生成式AI模型的公平性提供了一个新颖的框架，解决了负责任AI开发中的一个关键挑战。

排序理由 发表在arXiv上的学术论文，详细介绍了用于生成模型公平性评估的新框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

• alphaXiv
• AP-Bench
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• ScienceCast

• 论文
• 安全

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →