Godīgumā balstīta mašīnmācīšanās
Godīgumā balstīta mašīnmācīšanās (Fairness-Aware Machine Learning) ir metožu kopums, kas apmāca, ierobežo vai pēcapstrādā paredzamos modeļus tā, lai to kļūdu līmenis vai rezultāti būtu vienlīdzīgi aizsargātās demogrāfiskās grupās, piemēram, rases, dzimuma vai vecuma ziņā. Vienādotu izredžu un iespēju vienlīdzības pamatprincipu formalizēja Morics Hārds (Moritz Hardt), Ēriks Praiss (Eric Price) un Nati Srebro (Nati Srebro) savā nozīmīgajā 2016. gada NeurIPS rakstā, nosakot stingrus statistiskos kritērijus nediskriminējošiem klasifikatoriem.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Hardt, M., Price, E., & Srebro, N. (2016). Equality of opportunity in supervised learning. Advances in Neural Information Processing Systems, 29. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). Fairness-Aware Machine Learning. ScholarGate. https://scholargate.app/lv/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.
- Logistiskā regresijaPētniecības statistika↔ compare
- Modeļa kalibrēšanaMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →