Strojno učenje svjesno pravednosti
Strojno učenje svjesno pravednosti (Fairness-Aware ML) obitelj je tehnika kojima se obučavaju, ograničavaju ili naknadno obrađuju prediktivni modeli kako bi njihove stope pogreške ili ishodi bili pravedni među zaštićenim demografskim skupinama kao što su rasa, spol ili dob. Temeljni okvir jednakih šansi (equalized odds) i jednakosti prilika (equality of opportunity) formalizirali su Moritz Hardt, Eric Price i Nati Srebro u svom značajnom radu s konferencije NeurIPS 2016., uspostavivši rigorozna statistička mjerila za nediskriminirajuće klasifikatore.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Hardt, M., Price, E., & Srebro, N. (2016). Equality of opportunity in supervised learning. Advances in Neural Information Processing Systems, 29. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). Fairness-Aware Machine Learning. ScholarGate. https://scholargate.app/hr/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.
- Logistička regresijaIstraživačka statistika↔ compare
- Kalibracija modelaStrojno učenje↔ compare
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →