Mérsékelt Torzítású Gépi Tanulás
A Mérsékelt Torzítású Gépi Tanulás (Fairness-Aware Machine Learning) olyan technikák családja, amelyek prediktív modelleket képeznek, korlátoznak vagy utólag feldolgoznak annak érdekében, hogy hibázási rátáik vagy kimeneteleik egyenlőek legyenek a védett demográfiai csoportok, mint például a faj, nem vagy életkor tekintetében. Az esélyegyenlőség és a lehetőség egyenlősége alapvető keretrendszerét Moritz Hardt, Eric Price és Nati Srebro formalizálta 2016-os, a NeurIPS-en megjelent úttörő cikkükben, amely szigorú statisztikai kritériumokat állapított meg a diszkriminációmentes osztályozók számára.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- Hardt, M., Price, E., & Srebro, N. (2016). Equality of opportunity in supervised learning. Advances in Neural Information Processing Systems, 29. link ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 2). Fairness-Aware Machine Learning. ScholarGate. https://scholargate.app/hu/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.
- Logistic RegressionKutatási statisztika↔ compare
- ModellkalibrációGépi tanulás↔ compare
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →