یادگیری ماشین آگاه از انصاف
یادگیری ماشین آگاه از انصاف (Fairness-Aware Machine Learning) خانوادهای از تکنیکها است که مدلهای پیشبین را آموزش میدهد، محدود میکند یا پسپردازش میکند تا نرخ خطا یا نتایج آنها در میان گروههای جمعیتی محافظتشده مانند نژاد، جنسیت یا سن، منصفانه باشد. چارچوب بنیادی شانسهای برابر (equalized odds) و برابری فرصت (equality of opportunity) توسط موریتز هاردت، اریک پرایس و ناتی سربرو در مقاله برجسته خود در NeurIPS سال ۲۰۱۶ رسمی شد و معیارهای آماری دقیقی برای طبقهبندهای غیرتبعیضآمیز ایجاد کرد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Hardt, M., Price, E., & Srebro, N. (2016). Equality of opportunity in supervised learning. Advances in Neural Information Processing Systems, 29. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). Fairness-Aware Machine Learning. ScholarGate. https://scholargate.app/fa/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.
- رگرسیون لجستیکآمار پژوهش↔ compare
- کالیبراسیون مدلیادگیری ماشین↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →