Apprentissage automatique conscient de l'équité

L'apprentissage automatique conscient de l'équité (Fairness-Aware Machine Learning) est une famille de techniques qui entraînent, contraignent ou post-traitent des modèles prédictifs afin que leurs taux d'erreur ou leurs résultats soient équitables entre des groupes démographiques protégés tels que la race, le genre ou l'âge. Le cadre fondamental des cotes égalisées (equalized odds) et de l'égalité des chances (equality of opportunity) a été formalisé par Moritz Hardt, Eric Price et Nati Srebro dans leur article fondateur de 2016 à NeurIPS, établissant des critères statistiques rigoureux pour les classificateurs non discriminatoires.