lightbulbPractical problem机器学习公平性与数据开发实践
联邦学习模型易受用户上传恶意梯度的后门攻击，不公平性降低用户体验。UbiComp '24SARS: A Personalized Federated Learning Framework Towards Fairness and Robustness against Backdoor Attacks
公平、偏见与研究治理 / 机器学习公平性与数据开发实践
联邦学习模型易受用户上传恶意梯度的后门攻击，不公平性降低用户体验。
Similar questions
lightbulbPractical problem机器学习公平性与数据开发实践
算法设计中的偏见可能导致少数群体在就业、医疗等领域受到不公平对待。CHI '25
lightbulbPractical problem机器学习公平性与数据开发实践
AI模型在少数群体上常表现较差，影响公平性和可靠性。CHI '25
lightbulbPractical problem机器学习公平性与数据开发实践
GLAM领域的性别偏见可能误导公众对历史的理解。CHI '25
lightbulbPractical problem机器学习公平性与数据开发实践
AI设计未充分考虑受影响群体的反馈，易导致偏见和不公平。CSCW '24Empowering and Centering Impacted Stakeholders in AI Design
lightbulbPractical problem机器学习公平性与数据开发实践
普适计算中的技术可能因偏见而对某些群体产生歧视或失准。UbiComp '24FairComp: 2nd International Workshop on Fairness and Robustness in Machine Learning for Ubiquitous Computing
lightbulbPractical problem机器学习公平性与数据开发实践
机器学习对边缘化群体表现不佳，导致系统欠公平。CHI '24