Buchumschlag

Responsible AI: The Good, The Bad, The AI

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Jafari, Akbar Anbar, Ozcinar, Cagri, Anbarjafari, Gholamreza
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Lightweight Modular Framework for Constructing Autonomous Agents Driven by Large Language Models: Design, Implementation, and Applications in AgentForge
von: Jafari, Akbar Anbar, et al.
Veröffentlicht: (2026)

Complex-Valued Unitary Representations as Classification Heads for Improved Uncertainty Quantification in Deep Neural Networks
von: Jafari, Akbar Anbar, et al.
Veröffentlicht: (2026)

A Mathematical Framework for AI Singularity: Conditions, Bounds, and Control of Recursive Improvement
von: Jafari, Akbar Anbar, et al.
Veröffentlicht: (2025)

Dynamic Nested Hierarchies: Pioneering Self-Evolution in Machine Learning Architectures for Lifelong Intelligence
von: Jafari, Akbar Anbar, et al.
Veröffentlicht: (2025)

A Multi-physics Simulation Framework for High-power Microwave Counter-unmanned Aerial System Design and Performance Evaluation
von: Jafari, Akbar Anbar, et al.
Veröffentlicht: (2026)

Closed-Loop Transformers: Autoregressive Modeling as Iterative Latent Equilibrium
von: Jafari, Akbar Anbar, et al.
Veröffentlicht: (2025)

Automated Evaluation can Distinguish the Good and Bad AI Responses to Patient Questions about Hospitalization
von: Soni, Sarvesh, et al.
Veröffentlicht: (2025)

The Good, The Bad, and Why: Unveiling Emotions in Generative AI
von: Li, Cheng, et al.
Veröffentlicht: (2023)

The Good, the Bad, and the Ugly: The Role of AI Quality Disclosure in Lie Detection
von: Bhattacharya, Haimanti, et al.
Veröffentlicht: (2024)

Utilizing Human Behavior Modeling to Manipulate Explanations in AI-Assisted Decision Making: The Good, the Bad, and the Scary
von: Li, Zhuoyan, et al.
Veröffentlicht: (2024)

Vertical Federated Learning in Practice: The Good, the Bad, and the Ugly
von: Wu, Zhaomin, et al.
Veröffentlicht: (2025)

When Bad Data Leads to Good Models
von: Li, Kenneth, et al.
Veröffentlicht: (2025)

Identifying Good and Bad Neurons for Task-Level Controllable LLMs
von: Li, Wenjie, et al.
Veröffentlicht: (2026)

Too Good to be Bad: On the Failure of LLMs to Role-Play Villains
von: Yi, Zihao, et al.
Veröffentlicht: (2025)

Data Collection for Training Quality-Control AI in Carpet Manufacturing
von: Erkinov, Akbar
Veröffentlicht: (2026)

FADE: Why Bad Descriptions Happen to Good Features
von: Puri, Bruno, et al.
Veröffentlicht: (2025)

An Adaptive Responsible AI Governance Framework for Decentralized Organizations
von: Meimandi, Kiana Jafari, et al.
Veröffentlicht: (2025)

Ambient Diffusion Omni: Training Good Models with Bad Data
von: Daras, Giannis, et al.
Veröffentlicht: (2025)

Imitate the Good and Avoid the Bad: An Incremental Approach to Safe Reinforcement Learning
von: Hoang, Huy, et al.
Veröffentlicht: (2023)

The Good, The Bad, and The Greedy: Evaluation of LLMs Should Not Ignore Non-Determinism
von: Song, Yifan, et al.
Veröffentlicht: (2024)

Bad Values but Good Behavior: Learning Highly Misspecified Bandits and MDPs
von: Banerjee, Debangshu, et al.
Veröffentlicht: (2023)

Beyond Detection: Designing AI-Resilient Assessments with Automated Feedback Tool to Foster Critical Thinking
von: Akbar, Muhammad Sajjad
Veröffentlicht: (2025)

One Bad NOFO? AI Governance in Federal Grantmaking
von: Bateyko, Dan, et al.
Veröffentlicht: (2025)

Streamlining the Selection Phase of Systematic Literature Reviews (SLRs) Using AI-Enabled GPT-4 Assistant API
von: Jafari, Seyed Mohammad Ali
Veröffentlicht: (2024)

Whose Good, Whose Place? The Moral Geography of Agentic AI for Social Good
von: Nemkova, Poli, et al.
Veröffentlicht: (2026)

Simulation, Modelling and Classification of Wiki Contributors: Spotting The Good, The Bad, and The Ugly
von: Méndez, Silvia García, et al.
Veröffentlicht: (2024)

The Good, the Bad, and the Sampled: a No-Regret Approach to Safe Online Classification
von: Baharav, Tavor Z., et al.
Veröffentlicht: (2025)

The Good, the Bad and the Constructive: Automatically Measuring Peer Review's Utility for Authors
von: Sadallah, Abdelrahman, et al.
Veröffentlicht: (2025)

The Good and The Bad: Exploring Privacy Issues in Retrieval-Augmented Generation (RAG)
von: Zeng, Shenglai, et al.
Veröffentlicht: (2024)

A Survey on Large Language Model (LLM) Security and Privacy: The Good, the Bad, and the Ugly
von: Yao, Yifan, et al.
Veröffentlicht: (2023)

The AI in the Mirror: LLM Self-Recognition in an Iterated Public Goods Game
von: Long, Olivia, et al.
Veröffentlicht: (2025)

Towards Automated Scoping of AI for Social Good Projects
von: Emmerson, Jacob, et al.
Veröffentlicht: (2025)

Good Scores, Bad Data: A Metric for Multimodal Coherence
von: Srinivasan, Vasundra
Veröffentlicht: (2026)

Small Edits, Big Consequences: Telling Good from Bad Robustness in Large Language Models
von: Ismailov, Altynbek, et al.
Veröffentlicht: (2025)

Is It Good Data for Multilingual Instruction Tuning or Just Bad Multilingual Evaluation for Large Language Models?
von: Chen, Pinzhen, et al.
Veröffentlicht: (2024)

AgentCollabBench: Diagnosing When Good Agents Make Bad Collaborators
von: Mazumder, Aritra, et al.
Veröffentlicht: (2026)

The Framework That Survives Bad Models: Human-AI Collaboration For Clinical Trials
von: Chen, Yao, et al.
Veröffentlicht: (2025)

Integrating ESG and AI: A Comprehensive Responsible AI Assessment Framework
von: Lee, Sung Une, et al.
Veröffentlicht: (2024)

How Good (Or Bad) Are LLMs at Detecting Misleading Visualizations?
von: Lo, Leo Yu-Ho, et al.
Veröffentlicht: (2024)

Responsible AI in Business
von: Sandfuchs, Stephan, et al.
Veröffentlicht: (2026)