教育科技研究速報

本文提出「魯棒個體公平性」概念，並開發 RIFair 框架以揭露深度學習模型在面對擾動時隱藏的脆弱性。

提出透過修改拉普拉斯算子、子空間投影、頻率濾波等方式，將公平性融入圖擴散學習，並在實驗中證明能提升公平指標且計算成本有限。

本文提出 FaiRLLM 基準測試，證實 ChatGPT 在進行音樂與電影推薦時，仍對特定敏感屬性存在不公平現象。

提出一種帕累托引導框架，旨在平衡個性化文本生成的精準度與不同人口統計群體間的公平性。

提出將公平性視為對稱操作，透過損失正則化降低偏差至90%，且準確度損失僅5%

提出一種基於最適運輸的後處理方法，能在有限樣本下以高概率保證反事實公平迴歸，並給出理論收斂率與風險界限。

提出將空間公平性擴展至個體移動模式，並開發多分辨率地理分區與空間掃描統計方法以檢測模型對移動者的不公平對待。

提出 GESD 指標衡量不同群體解釋穩定性差異，並以 FEU 框架同時優化效用、結果公平與解釋公平。

本文研究如何在 AI 減少用戶負擔與提升偏好代表性之間取得平衡，以解決生成式 AI 的偏見問題。

將公平與效能視為多目標優化，揭示 Pareto 前沿由效用與公平共同決定，並指出可包含上限閾值規則，補充既有理論。

提出基於結構因果模型的連續保護屬性公平性框架，並開發可調整導數的公平調優算法。

研究發現僅達到整體統計有效性的 AI 模型，在面對不同人口子群體時，其預測可靠性與公平性仍存在顯著落差。