通过系统评估医学数据集合，我们提出了 METRIC 框架，该框架包含了 15 个数据质量意识维度，帮助减少偏见、增加稳健性、提高可解释性，从而为医学中可信赖的人工智能奠定了基础。

Feb, 2024

本文提出了一个旨在增强原始数据集数据质量的框架，并应用于四个生物医学数据集，使用回译技术提高数据集质量，在 BioASQ 数据集上表现出相对提高了 33%/40% 的检索 / 阅读器模型的微调效果。

Apr, 2023

该研究旨在探索自动化数据质量管理的潜力，以提高数据质量检测规则在数据仓库中的实施，进而增强数据质量管理的效率。

Jun, 2024

本研究通过全面实验，旨在探讨数据质量评估和数据调整两种重要策略对抗模型漂移的效果，以提高语义分割模型的性能和可靠性，从而推动计算机视觉在实际场景中的发展。

Feb, 2024

提出了一个概念框架来描述和管理人工智能 - 大数据环境中价值的多样性和不确定性，并基于抽象和高度可伸缩的定义来设计框架，以支持商业智能评估人工智能 - 大数据项目的影响。

Oct, 2021

数据驱动的人工智能系统和机器学习对我们的生活产生了巨大的影响，然而在边缘计算和物联网设备的环境下，数据质量的研究变得异常重要和紧迫。本文填补了这一领域的知识空白，提供了全球范围内从多个学科角度探讨边缘计算中数据质量的现有文献，并探讨了各个维度的详细内容和现有解决方案。

Jun, 2024

本文提出了 MetaEnhance 框架，针对数字化档案的元数据质量问题，使用电子学位论文的七个关键字段进行自动检测，纠错和规范化，测试结果表明这种方法可以几乎完美地检测和修复错误。

Mar, 2023

本文提出了一个基于现有进展的全面质量管理框架视角，并确定了软件工程研究的新领域，以实现更可靠的人工智能。

Jun, 2020

本文讨论了人工智能系统中的偏见问题，尤其是在涉及人类时，AI 算法反映了由于错误标记的数据来源的技术性误差。作者提出了通过实施数据质量维度以减轻偏见分类错误的潜在改进，涉及到两种性别：非二元性和跨性别者的分类。

May, 2023

在工业化 4.0 时代，人工智能（AI）在工业系统中扮演着越来越重要的角色。然而，实际的 AI 应用并没有像人们所认为的那样发展得那么成熟，其中一个主要原因是 AI 实施中的数据问题。为了解决这些数据问题，首先需要明确这些问题。因此，这项研究进行了一项元评述，探索工业 AI 实施中的数据问题和方法。总共鉴定了 72 个数据问题，并按照数据生命周期的各个阶段进行分类，包括数据源和收集、数据访问和存储、数据集成和互操作、数据预处理、数据处理、数据安全和隐私以及 AI 技术采用。随后，研究分析了各种 AI 算法的数据需求。在这些分析的基础上，提出了一个数据管理框架，解决了如何在数据生命周期的每个阶段系统地解决数据问题的问题。最后，研究指出了未来的研究方向。通过这样做，本研究丰富了现有的知识体系，并为在工业 AI 中实现数据可用性和价值性提供了指导。

Jun, 2024