Retfærdighedsbevidst maskinlæring
Retfærdighedsbevidst maskinlæring er en familie af teknikker, der træner, begrænser eller efterbehandler prædiktive modeller, så deres fejlfrekvenser eller resultater er retfærdige på tværs af beskyttede demografiske grupper som race, køn eller alder. Det grundlæggende rammeværk for udlignede odds (equalized odds) og lige muligheder (equality of opportunity) blev formaliseret af Moritz Hardt, Eric Price og Nati Srebro i deres banebrydende NeurIPS-artikel fra 2016, hvor de etablerede stringente statistiske kriterier for ikke-diskriminerende klassifikatorer.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Hardt, M., Price, E., & Srebro, N. (2016). Equality of opportunity in supervised learning. Advances in Neural Information Processing Systems, 29. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 2). Fairness-Aware Machine Learning. ScholarGate. https://scholargate.app/da/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.
- Logistisk regressionForskningsstatistik↔ compare
- ModelkalibreringMaskinlæring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →