深度分析
訓練資料決定音訊 Deepfake 偵測偏見方向：以 WavLM 為例的實驗分析
隨著音訊 Deepfake 技術演進，偵測模型雖有高準確率，卻常隱藏性別性能差異。本研究透過 ASVspoof5 數據集，對比 LogSpectrogram 與 WavLM-Base+ 在不同訓練性別組成下的表現，發現代表性不足的性別錯誤率較高。研究進一步證明後處理校準無法消除等錯率差距，強調公平性必須在訓練階段解決。
公平性
深度分析
LBR 框架減輕大型語言模型推薦系統長度偏差，提升公平性與準確性
隨著大型語言模型被廣泛用於推薦系統，文字敘述長短差異導致模型在注意力分配與解碼得分上產生偏頗。研究提出LBR框架，透過長度感知注意力校正與資訊長度正規化，減少長短項目不公平影響。實驗顯示在三個Amazon資料集上NDCG@5提升約16.8%，同時提升公平性。
深度分析
RKHS 視角下的公平性不可能性：Pokémon 定理、MMD 與表徵學習限制
本文回顧公平性不可能性的現代理論脈絡，從再生核希爾伯特空間（RKHS）出發，將多種均值公平準則視為條件平均嵌入的線性約束。作者提出 Pokémon 定理，指出任意有限審核清單都無法完全證明兩群體分布相同，並以 MMD 作為殘差檢驗指標，說明公平表徵學習在基率不等時面臨根本限制。
深度分析
FedPF：結合差分隱私與公平性的零和博弈聯邦學習框架
聯邦學習在保護資料本地化的同時，面臨隱私與公平的衝突。研究提出FedPF演算法，將隱私、公平與效用構造成零和博弈，理論證明隱私加強會削弱偏見偵測，實驗顯示可降低42.9%歧視且維持準確度。此外，研究指出公平約束在適度時能提升模型泛化，過度則導致效能下降，凸顯隱私與公平間不可避免的權衡。
深度分析
多代理協作突破 Arrow 不可能性定理的公平性新框架
隨著大型語言模型具備代理特性，研究以醫院分診情境模擬兩代理多輪協商。透過對齊與非對齊代理的互動，最終分配達成單獨無法實現的公平標準，顯示公平是去中心化互動的衍生屬性。