Jun, 2023

机器学习中异质性交织轴的揭示：迎接民主与包容进步

PDF
TL;DR本研究探讨了机器学习应用于决策过程中的异质性，提出了价值观、文化和法规、数据组成以及资源和基础设施能力三个因素对 ML 产品轨迹的影响，并强调了需要联合考虑和解决这些因素的必要性。
发现论文，激发创造
  • 机器学习实践与基础设施

    通过对 Stack Exchange 论坛上的问题进行实证研究，探讨了互动式计算平台在机器学习工作中的使用，及其对机器学习实践和系统开发的影响，这可能导致使机器学习生命周期中的某些方面变得不可见，这些方面对于已部署的机器学习系统的社会影响尤为重要，这也是 AI 伦理学家一直强调的。

    Jul, 2023

  • 反思公平：对霸权机器学习公平方法批评的跨学科调查

    本文评估并比较了来自哲学、女性主义研究、批判性种族和民族研究、法律研究、人类学和科学技术研究等非计算学科的现有批评，旨在提供 ML 公正技术干预的跨学科理解，以此产生社会上最边缘化群体的公正结果，最后讨论了基于这些批评的未来 ML 公正研究方向。

    May, 2022

  • 有意义的机器学习

    机器学习的研究应更加关注数据集、评估指标、以及研究结果在学科领域中的传播，作者提出了 6 个目标挑战以促进机器学习的实际应用。

    Jun, 2012

  • 机器学习中的价值观学科转变

    通过科学哲学的视角分析机器学习学科，开发一个概念框架以评估机器学习模型发展的过程，并探讨价值观如何影响该学科的发展和模型类型的崛起。我们认为模型类型的崛起是自我强化的，并且模型类型的评估会编码社会和政治价值观，例如围绕计算和数据密集型环境的评估方式关注权力集中、隐私和环境保护等价值观。因此，需要考虑纪律层面的干预以应对与学科整体相关的不良价值观。

    Dec, 2019

  • 研究机器学习数据：为什么我们要讨论偏见时，实际上我们是指的 “能力”？

    该论文针对机器学习中的偏见问题，提出了 “权力感知视角” 的研究并分析数据质量、数据工作和数据文献等领域的因素，以反映数据设计和生产的社会背景。

    Sep, 2021

  • 机器学习系统公平性的提升：业界从业者需求如何？

    本文通过 35 个半结构化面谈和 267 个机器学习从业者的匿名调查，系统研究了商业产品团队开发公平的机器学习系统所面临的挑战和需求，发现了业界从业者面临的挑战及公平机器学习的研究文献中提出的解决方案之间的一些不协调之处，并提出了未来机器学习与人机交互研究的方向，以更好地满足产业从业者的需求。

    Dec, 2018

  • 为视觉隐私研究提出交互式审计流程

    本篇论文旨在通过对视觉隐私问题的分析，系统地研究机器学习流程中的公平性、隐私、人类干预以及潜在的社会伦理问题，从而提高相关利益相关者（研究人员，模型构建者，企业等）的认识与责任意识。

    Nov, 2021

  • 矩阵流形上的数据协作分析

    通过在矩阵流形上进行优化问题和高效解决方案，本研究为合作函数建立了严格的理论基础，并引入了新的公式，在维护一致性和效率、不损害通信效率或隐私保护的同时，显著提高了性能。

    Mar, 2024

  • 让人民参与进来：争夺基准机器学习数据集

    研究了机器学习数据集背后的历史、价值观和规范，以及影响数据收集选择的价值观，并描述了机器学习中基准数据集的运作方式和为这些数据集提出的四个研究问题，从而更好地了解数据构建中的劳动，为研究人员提供新的争论途径。

    Jul, 2020

  • 机器学习中的多样性

    本文对机器学习中的数据、模型和推理多样化进行系统总结，并探讨了多样性技术在其中所面临的挑战和未来工作的方向。

    Jul, 2018