Aprendizaje Automático Consciente de la Equidad

El Aprendizaje Automático Consciente de la Equidad (Fairness-Aware Machine Learning) es una familia de técnicas que entrenan, restringen o post-procesan modelos predictivos para que sus tasas de error o resultados sean equitativos entre grupos demográficos protegidos como raza, género o edad. El marco fundamental de 'equalized odds' (probabilidades igualadas) y 'equality of opportunity' (igualdad de oportunidad) fue formalizado por Moritz Hardt, Eric Price y Nati Srebro en su influyente artículo de 2016 en NeurIPS, estableciendo criterios estadísticos rigurosos para clasificadores no discriminatorios.