Εγγραφή τεκμηρίου μεθόδου

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

Εγγραφή πηγής

Οι παραπομπές αντιγράφονται αυτούσιες από την εγγραφή πηγής της μεθόδου. Δεν υπονοείται επαλήθευση σε επίπεδο ισχυρισμού από αυτές.

Fairness-Aware Machine Learning

Εγγραφή ταξινομικής μεθόδου · 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

Άνοιγμα πλήρους μεθόδου

Επιμελημένοι ισχυρισμοί

Οι ισχυρισμοί έχουν αποθηκευτεί στο καθολικό τεκμηρίων, καθένας με τη δική του αξιολόγηση.

Δεν υπάρχουν ακόμη επιμελημένοι ισχυρισμοί

Αυτή η προβολή δεν επινοεί αξιολόγηση ισχυρισμού όταν το καθολικό δεν έχει κανέναν.

Σχετικές μέθοδοι

Δημιουργούνται από τον γράφο μεθόδων και εμφανίζονται ως προτεινόμενες από μηχανή σχέσεις — δεν υπονοείται ισχυρισμός τεκμηρίου.