Meetodi tõendite kirje

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

Allikakirje

Tsiteeringud kopeeritud meetodi allikakirjest sõna-sõnalt. Nendest ei saa järeldada väidete tasemel kinnitust.

Fairness-Aware Machine Learning

Taksonoomiline meetodikirje · 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

Ava täielik meetod

Kureeritud väited

Väited on salvestatud tõendite registrisse, igal oma hinnanguga.

Kureeritud väiteid veel pole

See vaade ei loo väite hinnangut, kui registris seda pole.

Seotud meetodid

Genereeritud meetodigraafist ja kuvatud masina soovitatud seostena – väiteid ei järeldata.