Masinõppe õigluseteadlikkus
Masinõppe õigluseteadlikkus (Fairness-Aware Machine Learning) on tehnikate perekond, mis treenivad, piiravad või järel-töötlevad ennustavaid mudeleid nii, et nende veamäärad või tulemused oleksid õiglased kaitstud demograafiliste rühmade, nagu rass, sugu või vanus, lõikes. Võrdsustatud tulemuste (equalized odds) ja võimaluste võrdsuse (equality of opportunity) alusraamistik formaliseeriti Moritz Hardti, Eric Price'i ja Nati Srebro poolt nende 2016. aasta mõjukas NeurIPS-i artiklis, kus kehtestati rangelt statistilised kriteeriumid diskrimineerimisvaba klassifitseerija jaoks.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- Hardt, M., Price, E., & Srebro, N. (2016). Equality of opportunity in supervised learning. Advances in Neural Information Processing Systems, 29. link ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 2). Fairness-Aware Machine Learning. ScholarGate. https://scholargate.app/et/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.
- Logistiline regressioonUurimisstatistika↔ compare
- Mudeli kalibreerimineMasinõpe↔ compare
Märkasid sellel lehel viga? Teata sellest või paku parandust →