Buchumschlag

From Transparency to Accountability and Back: A Discussion of Access and Evidence in AI Auditing

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Cen, Sarah H., Alur, Rohan
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computers and Society Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Auditing for Human Expertise
von: Alur, Rohan, et al.
Veröffentlicht: (2023)

Audits Under Resource, Data, and Access Constraints: Scaling Laws For Less Discriminatory Alternatives
von: Cen, Sarah H., et al.
Veröffentlicht: (2025)

Towards AI Transparency and Accountability: A Global Framework for Exchanging Information on AI Systems
von: Buckley, Warren, et al.
Veröffentlicht: (2023)

AI Supply Chains: An Emerging Ecosystem of AI Actors, Products, and Services
von: Hopkins, Aspen, et al.
Veröffentlicht: (2025)

Integrating Expert Judgment and Algorithmic Decision Making: An Indistinguishability Framework
von: Alur, Rohan, et al.
Veröffentlicht: (2024)

Why Should This Article Be Deleted? Transparent Stance Detection in Multilingual Wikipedia Editor Discussions
von: Kaffee, Lucie-Aimée, et al.
Veröffentlicht: (2023)

Transparent and Fair Profiling in Employment Services: Evidence from Switzerland
von: Räz, Tim
Veröffentlicht: (2025)

A Framework for Responsible AI Systems: Building Societal Trust through Domain Definition, Trustworthy AI Design, Auditability, Accountability, and Governance
von: Herrera-Poyatos, Andrés, et al.
Veröffentlicht: (2025)

User Strategization and Trustworthy Algorithms
von: Cen, Sarah H., et al.
Veröffentlicht: (2023)

Transparent AI: The Case for Interpretability and Explainability
von: Ramachandram, Dhanesh, et al.
Veröffentlicht: (2025)

Large-Scale, Longitudinal Study of Large Language Models During the 2024 US Election Season
von: Cen, Sarah H., et al.
Veröffentlicht: (2025)

Quantitative Auditing of AI Fairness with Differentially Private Synthetic Data
von: Yuan, Chih-Cheng Rex, et al.
Veröffentlicht: (2025)

On the Need and Applicability of Causality for Fairness: A Unified Framework for AI Auditing and Legal Analysis
von: Binkyte, Ruta, et al.
Veröffentlicht: (2022)

Transparent Networks for Multivariate Time Series
von: Kim, Minkyu, et al.
Veröffentlicht: (2024)

Audit Me If You Can: Query-Efficient Active Fairness Auditing of Black-Box LLMs
von: Hartmann, David, et al.
Veröffentlicht: (2026)

A Clinical Trial Design Approach to Auditing Language Models in Healthcare Setting
von: Gondara, Lovedeep, et al.
Veröffentlicht: (2024)

Distribution-Specific Auditing For Subgroup Fairness
von: Hsu, Daniel, et al.
Veröffentlicht: (2024)

Barriers to Evidence in AI-Related Cases and the Privatization of Proof
von: Cen, Sarah H., et al.
Veröffentlicht: (2026)

FALE: Fairness-Aware ALE Plots for Auditing Bias in Subgroups
von: Giannopoulos, Giorgos, et al.
Veröffentlicht: (2024)

Auditing LLMs for Algorithmic Fairness in Casenote-Augmented Tabular Prediction
von: Lee, Xiao Qi, et al.
Veröffentlicht: (2026)

Auditing Fairness under Unobserved Confounding
von: Byun, Yewon, et al.
Veröffentlicht: (2024)

A Deployment Audit of Release-Side Risk in Conformal Triage under Prevalence Shift
von: Li, Chengze, et al.
Veröffentlicht: (2026)

Auditing Asset-Specific Preferences in Financial Large Language Models: Evidence from Bitcoin Representations and Portfolio Allocation
von: Wu, Wenbin
Veröffentlicht: (2026)

Human Expertise in Algorithmic Prediction
von: Alur, Rohan, et al.
Veröffentlicht: (2024)

White-Box Sensitivity Auditing with Steering Vectors
von: Cyberey, Hannah, et al.
Veröffentlicht: (2026)

Benchmark-Driven Selection of AI: Evidence from DeepSeek-R1
von: Spelda, Petr, et al.
Veröffentlicht: (2025)

Fair Multivariate Adaptive Regression Splines for Ensuring Equity and Transparency
von: Haghighat, Parian, et al.
Veröffentlicht: (2024)

From Individual Experience to Collective Evidence: A Reporting-Based Framework for Identifying Systemic Harms
von: Dai, Jessica, et al.
Veröffentlicht: (2025)

Representation Engineering: A Top-Down Approach to AI Transparency
von: Zou, Andy, et al.
Veröffentlicht: (2023)

Towards AI Accountability Infrastructure: Gaps and Opportunities in AI Audit Tooling
von: Ojewale, Victor, et al.
Veröffentlicht: (2024)

Making AI-Assisted Grant Evaluation Auditable without Exposing the Model
von: Bicakci, Kemal
Veröffentlicht: (2026)

Foundation Model Transparency Reports
von: Bommasani, Rishi, et al.
Veröffentlicht: (2024)

Auditing a Dutch Public Sector Risk Profiling Algorithm Using an Unsupervised Bias Detection Tool
von: Holstege, Floris, et al.
Veröffentlicht: (2025)

"They've Stolen My GPL-Licensed Model!": Toward Standardized and Transparent Model Licensing
von: Duan, Moming, et al.
Veröffentlicht: (2024)

Measuring Strategization in Recommendation: Users Adapt Their Behavior to Shape Future Content
von: Cen, Sarah H., et al.
Veröffentlicht: (2024)

Formal Methods Meet LLMs: Auditing, Monitoring, and Intervention for Compliance of Advanced AI Systems
von: Alamdari, Parand A., et al.
Veröffentlicht: (2026)

The 2024 Foundation Model Transparency Index
von: Bommasani, Rishi, et al.
Veröffentlicht: (2024)

The 2025 Foundation Model Transparency Index
von: Wan, Alexander, et al.
Veröffentlicht: (2025)

Permissive-Washing in the Open AI Supply Chain: A Large-Scale Audit of License Integrity
von: Jewitt, James, et al.
Veröffentlicht: (2026)

Auditing the Fairness of the US COVID-19 Forecast Hub's Case Prediction Models
von: Abrar, Saad Mohammad, et al.
Veröffentlicht: (2024)