Apprendimento Automatico Consapevole dell'Equità
L'Apprendimento Automatico Consapevole dell'Equità (Fairness-Aware Machine Learning) è una famiglia di tecniche che addestrano, vincolano o post-processano modelli predittivi affinché i loro tassi di errore o esiti siano equi tra gruppi demografici protetti come razza, genere o età. Il quadro fondamentale di pari opportunità (equalized odds) e uguaglianza di opportunità (equality of opportunity) è stato formalizzato da Moritz Hardt, Eric Price e Nati Srebro nel loro fondamentale articolo del 2016 a NeurIPS, stabilendo criteri statistici rigorosi per classificatori non discriminatori.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- Hardt, M., Price, E., & Srebro, N. (2016). Equality of opportunity in supervised learning. Advances in Neural Information Processing Systems, 29. link ↗
Come citare questa pagina
ScholarGate. (2026, June 2). Fairness-Aware Machine Learning. ScholarGate. https://scholargate.app/it/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.
- Regressione LogisticaStatistica per la ricerca↔ compare
- Calibrazione del modelloApprendimento automatico↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →