<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>偏见缓解 on 办公AI智能小助手</title>
    <link>https://blog.qife122.com/tags/%E5%81%8F%E8%A7%81%E7%BC%93%E8%A7%A3/</link>
    <description>Recent content in 偏见缓解 on 办公AI智能小助手</description>
    <generator>Hugo</generator>
    <language>zh-cn</language>
    <copyright>qife</copyright>
    <lastBuildDate>Sat, 20 Sep 2025 15:01:13 +0800</lastBuildDate>
    <atom:link href="https://blog.qife122.com/tags/%E5%81%8F%E8%A7%81%E7%BC%93%E8%A7%A3/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>机器翻译中的偏见缓解与用户需求贴近</title>
      <link>https://blog.qife122.com/p/%E6%9C%BA%E5%99%A8%E7%BF%BB%E8%AF%91%E4%B8%AD%E7%9A%84%E5%81%8F%E8%A7%81%E7%BC%93%E8%A7%A3%E4%B8%8E%E7%94%A8%E6%88%B7%E9%9C%80%E6%B1%82%E8%B4%B4%E8%BF%91/</link>
      <pubDate>Sat, 20 Sep 2025 15:01:13 +0800</pubDate>
      <guid>https://blog.qife122.com/p/%E6%9C%BA%E5%99%A8%E7%BF%BB%E8%AF%91%E4%B8%AD%E7%9A%84%E5%81%8F%E8%A7%81%E7%BC%93%E8%A7%A3%E4%B8%8E%E7%94%A8%E6%88%B7%E9%9C%80%E6%B1%82%E8%B4%B4%E8%BF%91/</guid>
      <description>&lt;p&gt;近年来，缓解机器学习模型中的偏见已成为重要研究课题，自然语言处理领域也不例外。&lt;/p&gt;&#xA;&lt;p&gt;某中心应用科学家兼EMNLP会议领域主席表示：&amp;ldquo;量化并解决偏见不仅是责任所在，这些问题本身也极具挑战性和吸引力。&amp;ldquo;其研究重点是机器翻译，其中量化偏见问题尤为突出。&lt;/p&gt;</description>
    </item>
    <item>
      <title>机器翻译中的偏见缓解与用户需求适配技术</title>
      <link>https://blog.qife122.com/p/%E6%9C%BA%E5%99%A8%E7%BF%BB%E8%AF%91%E4%B8%AD%E7%9A%84%E5%81%8F%E8%A7%81%E7%BC%93%E8%A7%A3%E4%B8%8E%E7%94%A8%E6%88%B7%E9%9C%80%E6%B1%82%E9%80%82%E9%85%8D%E6%8A%80%E6%9C%AF/</link>
      <pubDate>Sat, 13 Sep 2025 06:37:57 +0800</pubDate>
      <guid>https://blog.qife122.com/p/%E6%9C%BA%E5%99%A8%E7%BF%BB%E8%AF%91%E4%B8%AD%E7%9A%84%E5%81%8F%E8%A7%81%E7%BC%93%E8%A7%A3%E4%B8%8E%E7%94%A8%E6%88%B7%E9%9C%80%E6%B1%82%E9%80%82%E9%85%8D%E6%8A%80%E6%9C%AF/</guid>
      <description>&lt;p&gt;近年来，缓解机器学习模型中的偏见已成为重要研究方向，自然语言处理领域亦不例外。某中心应用科学家、自然语言处理实证方法会议领域主席指出，量化并解决偏见问题既是责任所在，也蕴含极具挑战性的技术难题。&lt;/p&gt;</description>
    </item>
    <item>
      <title>可信机器学习在语音助手中的三大突破</title>
      <link>https://blog.qife122.com/p/%E5%8F%AF%E4%BF%A1%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%9C%A8%E8%AF%AD%E9%9F%B3%E5%8A%A9%E6%89%8B%E4%B8%AD%E7%9A%84%E4%B8%89%E5%A4%A7%E7%AA%81%E7%A0%B4/</link>
      <pubDate>Thu, 11 Sep 2025 07:17:56 +0800</pubDate>
      <guid>https://blog.qife122.com/p/%E5%8F%AF%E4%BF%A1%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%9C%A8%E8%AF%AD%E9%9F%B3%E5%8A%A9%E6%89%8B%E4%B8%AD%E7%9A%84%E4%B8%89%E5%A4%A7%E7%AA%81%E7%A0%B4/</guid>
      <description>&lt;h2 id=&#34;隐私保护机器学习&#34;&gt;隐私保护机器学习&lt;/h2&gt;&#xA;&lt;p&gt;差分隐私（DP）通过量化模型输出概率差异来保障训练数据隐私。传统DP-SGD机制会导致训练时间大幅增加，某团队提出高效eDP-SGD机制，利用GPU架构的批处理方案和自动化超参数调优，在保持相同隐私保障的同时将训练时间降至与非DP方法相当水平。团队还研究了模型反转攻击（ModIvA）对文本分类模型的威胁，提出针对离散输入输出的防护方案。&lt;/p&gt;</description>
    </item>
  </channel>
</rss>
