全部论文

同一财务只改人设，测量披露变薄时股权建议里的身份替代。

这篇工作给出一套按审计目标切换校准的容忍公平审计：差异不必为零，而是看预先指定的不利方向上是否超过允许阈值。

k-ALeBi 把黑盒多组公平审计写成跨组比较函数的学习，而不是先重构分类器。

MASCRDM 把 AI 法律规章编成知识图谱，再由五个智能体在 LLM 训练中做实时合规检测与缓解，实验以偏见与歧视为代表风险。

用预测误差的排序分布、置换检验和特征移除，评估信贷模型在受保护群体间的公平。。

作者给出一条从通用宪法到可调训练奖励的路径，用来检查并改写模型实际被优化的优先级。

这篇分析考察的是：为了公平而从潜表示中去掉人口统计信息，是否可取、是否足够。作者认为，表示能解码出群体归属，本身并不解释不公平。任务特征可以与群体相关，患病率不同时，抹平边际分布会迫使错误率在群体间分开。

Wyer、Black 与 Al Moubayed 用 OpenAI GPT 谱系检验：毒性分数下降是否等于歧视减少。 他们的答案是否定的，并把“显性伤害被改写成评测指标看不见的形式”称为 harm laundering。

Reference-Based Bias Detection用锚句相对表示比较微调前后的隐状态，定义表征偏见偏移∆B，用来审计相关模型变体，而不为每种危害另建输出基准。

把多语 LLM 中刻板印象从线性表示追到输出影响，再追到 SAE 特征消融。。

论文系统研究了中外开源视觉语言模型在政治敏感图像上的审查行为，主要内容如下。

AdaCultureSafe 把同一条地区文化做成“是否知道”和“是否尊重”两套查询，用来看安全有没有用上知识，并用偏好训练把回答往“尊重且用上知识”拉。

作者考察对齐后的 LLM 是否会拒绝可接受的仇恨言论解毒请求，并分析误拒是否随目标群体和语言变化。完全拒答与夹带说教的部分拒答都计入。设置是固定提示、九个 LLM、三个英文集和法德西中韩。

作者用句嵌入距离和置换检验，给教育场景中的 LLM 性别偏见审计做一个可计算基准，案例是学生议论文的形成性反馈。

作者研究按 Schwartz 价值对齐的 LLM 为何在安全评测里更易有害，并用提示做了一个不直说要安全的缓解试验。