Strojové učení s ohledem na spravedlnost
Strojové učení s ohledem na spravedlnost (Fairness-Aware Machine Learning) je soubor technik, které trénují, omezují nebo post-procesují prediktivní modely tak, aby jejich chybovost nebo výsledky byly spravedlivé napříč chráněnými demografickými skupinami, jako je rasa, pohlaví nebo věk. Základní rámec rovnosti šancí (equalized odds) a příležitostí (equality of opportunity) formalizovali Moritz Hardt, Eric Price a Nati Srebro ve své přelomové práci z konference NeurIPS v roce 2016, kde stanovili rigorózní statistická kritéria pro nediskriminační klasifikátory.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Hardt, M., Price, E., & Srebro, N. (2016). Equality of opportunity in supervised learning. Advances in Neural Information Processing Systems, 29. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 2). Fairness-Aware Machine Learning. ScholarGate. https://scholargate.app/cs/machine-learning/fairness-aware-ml
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Logistická regreseStatistika ve výzkumu↔ compare
- Kalibrace modeluStrojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →