Fairness-Aware Machine Learning
Fairness-Aware Machine Learning is een verzameling technieken die voorspellende modellen trainen, beperken of nabewerken, zodat hun foutenpercentages of uitkomsten eerlijk zijn over beschermde demografische groepen zoals ras, geslacht of leeftijd. Het fundamentele raamwerk van geëgaliseerde kansen (equalized odds) en gelijkheid van kansen (equality of opportunity) werd geformaliseerd door Moritz Hardt, Eric Price en Nati Srebro in hun baanbrekende NeurIPS-paper uit 2016, waarin rigoureuze statistische criteria voor niet-discriminerende classificatoren werden vastgelegd.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- Hardt, M., Price, E., & Srebro, N. (2016). Equality of opportunity in supervised learning. Advances in Neural Information Processing Systems, 29. link ↗
Deze pagina citeren
ScholarGate. (2026, June 2). Fairness-Aware Machine Learning. ScholarGate. https://scholargate.app/nl/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.
- Logistische RegressieOnderzoeksstatistiek↔ compare
- ModelkalibratieMachine learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →