Μηχανική Μάθηση με Επίγνωση της Δικαιοσύνης
Η Μηχανική Μάθηση με Επίγνωση της Δικαιοσύνης (Fairness-Aware Machine Learning) είναι μια οικογένεια τεχνικών που εκπαιδεύουν, περιορίζουν ή μετα-επεξεργάζονται προγνωστικά μοντέλα, έτσι ώστε τα ποσοστά σφάλματός τους ή τα αποτελέσματά τους να είναι δίκαια σε προστατευμένες δημογραφικές ομάδες, όπως η φυλή, το φύλο ή η ηλικία. Το θεμελιώδες πλαίσιο των εξισωμένων πιθανοτήτων (equalized odds) και της ισότητας ευκαιριών (equality of opportunity) επισημοποιήθηκε από τους Moritz Hardt, Eric Price και Nati Srebro στην πρωτοποριακή τους εργασία του 2016 στο NeurIPS, καθιερώνοντας αυστηρά στατιστικά κριτήρια για μη-διακριτικούς ταξινομητές.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- Hardt, M., Price, E., & Srebro, N. (2016). Equality of opportunity in supervised learning. Advances in Neural Information Processing Systems, 29. link ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 2). Fairness-Aware Machine Learning. ScholarGate. https://scholargate.app/el/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.
- Λογιστική ΠαλινδρόμησηΕρευνητική Στατιστική↔ compare
- Βαθμονόμηση ΜοντέλουΜηχανική Μάθηση↔ compare
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →