Atjaunināt sīkdatņu piekrišanu

E-grāmata: Advances in Bias and Fairness in Information Retrieval: 5th International Workshop, BIAS 2024, Washington, DC, USA, July 18, 2024, Revised Selected Papers

Edited by , Edited by , Edited by , Edited by , Edited by , Edited by
  • Formāts - EPUB+DRM
  • Cena: 65,42 €*
  • * ši ir gala cena, t.i., netiek piemērotas nekādas papildus atlaides
  • Ielikt grozā
  • Pievienot vēlmju sarakstam
  • Šī e-grāmata paredzēta tikai personīgai lietošanai. E-grāmatas nav iespējams atgriezt un nauda par iegādātajām e-grāmatām netiek atmaksāta.

DRM restrictions

  • Kopēšana (kopēt/ievietot):

    nav atļauts

  • Drukāšana:

    nav atļauts

  • Lietošana:

    Digitālo tiesību pārvaldība (Digital Rights Management (DRM))
    Izdevējs ir piegādājis šo grāmatu šifrētā veidā, kas nozīmē, ka jums ir jāinstalē bezmaksas programmatūra, lai to atbloķētu un lasītu. Lai lasītu šo e-grāmatu, jums ir jāizveido Adobe ID. Vairāk informācijas šeit. E-grāmatu var lasīt un lejupielādēt līdz 6 ierīcēm (vienam lietotājam ar vienu un to pašu Adobe ID).

    Nepieciešamā programmatūra
    Lai lasītu šo e-grāmatu mobilajā ierīcē (tālrunī vai planšetdatorā), jums būs jāinstalē šī bezmaksas lietotne: PocketBook Reader (iOS / Android)

    Lai lejupielādētu un lasītu šo e-grāmatu datorā vai Mac datorā, jums ir nepieciešamid Adobe Digital Editions (šī ir bezmaksas lietotne, kas īpaši izstrādāta e-grāmatām. Tā nav tas pats, kas Adobe Reader, kas, iespējams, jau ir jūsu datorā.)

    Jūs nevarat lasīt šo e-grāmatu, izmantojot Amazon Kindle.

This book constitutes the refereed proceedings of the 5th International Workshop on Algorithmic Bias in Search and Recommendation, BIAS 2024, held in Washington, DC, USA, on July 18, 2024 in hybrid mode.





The 7 full papers included in this book were carefully reviewed and selected from 20 submissions. They are grouped into three thematic sessions, each focusing on distinct aspects of bias and fairness in information retrieval.
An Offer you Cannot Refuse? Trends in the Coercive Impact of Amazon Book
Recommendations.- Retention Induced Biases in a Recommendation System with
Heterogeneous Users.- Political Bias of Large Language Models in Few-shot
News Summarization.- Fairness Analysis of Machine Learning-Based Code
Reviewer Recommendation.- Bias Reduction in Social Networks through
Agent-Based Simulations.- vivaFemme: Mitigating Gender Bias in Neural Team
Recommendation via Female-Advocate Loss Regularization.- Simultaneous
Unlearning of Multiple Protected User Attributes From Variational Autoencoder
Recommenders Using Adversarial Training.