Oikeudenmukaisuustietoinen koneoppiminen
Oikeudenmukaisuustietoinen koneoppiminen on joukko tekniikoita, joilla koulutetaan, rajoitetaan tai jälkikäsitellään ennustavia malleja siten, että niiden virhetasot tai tulokset ovat tasapuolisia suojattujen demografisten ryhmien, kuten rodun, sukupuolen tai iän, välillä. Moritz Hardtin, Eric Pricen ja Nati Srebiron uraauurtavassa NeurIPS-julkaisussa vuodelta 2016 formalisoitiin tasavertaisten todennäköisyyksien ja mahdollisuuksien tasa-arvon peruskehys, joka loi tiukat tilastolliset kriteerit syrjimättömille luokittelijoille.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Hardt, M., Price, E., & Srebro, N. (2016). Equality of opportunity in supervised learning. Advances in Neural Information Processing Systems, 29. link ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 2). Fairness-Aware Machine Learning. ScholarGate. https://scholargate.app/fi/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.
- Logistinen regressioTutkimuksen tilastomenetelmät↔ compare
- Mallin kalibrointiKoneoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →