Metodin todisteiden tietue

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

Lähdetietue

Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.

Fairness-Aware Machine Learning

Taksonominen metoditietue · 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

Avaa koko metodi

Kuratoituja väitteitä

Väitteet tallennettu todistusaineiston pääkirjaan, jokaisella oma arviointinsa.

Ei vielä kuratoituja väitteitä

Tämä näkymä ei keksi väitteen arviointia, jos pääkirjassa ei ole sitä.

Liittyvät metodit

Luotu metodigraafista ja näytetään koneen ehdottamina suhteina – väitteitä ei päätellä.