Registre d'evidència del mètode

Fairness-Aware ML

Fairness-Aware Machine Learning is a family of techniques that train, constrain, or post-process predictive models so that their error rates or outcomes are equitable across protected demographic groups such as race, gender, or age. The foundational framework of equalized odds and equality of opportunity was formalized by Moritz Hardt, Eric Price, and Nati Srebro in their landmark 2016 NeurIPS paper, establishing rigorous statistical criteria for non-discriminatory classifiers.

Sources recorded, not reviewed

Registre font

Les citacions es copien textualment del registre font del mètode. No s'infereix cap verificació a nivell de reclam d'elles.

Fairness-Aware Machine Learning

Registre de mètode taxonòmic · ml-model / machine-learning

Hardt, M., Price, E., & Srebro, N. (2016). Equality of opportunity in supervised learning. Advances in Neural Information Processing Systems, 29. · URL

Obre el mètode complet

Reclamacions curades

Les reclamacions s'han persistit al registre de proves, cadascuna amb la seva pròpia avaluació.

Encara no hi ha reclamacions curades

Aquesta vista no inventa una avaluació de reclam quan el registre no en té cap.

Mètodes relacionats

Generat a partir del gràfic de mètodes i mostrat com a relacions suggerides per la màquina; no s'infereix cap reclamació d'evidència.