Rettferdighetsbevisst maskinlæring
Rettferdighetsbevisst maskinlæring er en familie av teknikker som trener, begrenser eller etterbehandler prediktive modeller slik at deres feilrater eller utfall er rettferdige på tvers av beskyttede demografiske grupper som rase, kjønn eller alder. Det grunnleggende rammeverket for lik odds og lik mulighet ble formalisert av Moritz Hardt, Eric Price og Nati Srebro i deres landemerke-artikkel fra 2016 på NeurIPS, som etablerte strenge statistiske kriterier for ikke-diskriminerende klassifikatorer.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Hardt, M., Price, E., & Srebro, N. (2016). Equality of opportunity in supervised learning. Advances in Neural Information Processing Systems, 29. link ↗
Slik siterer du denne siden
ScholarGate. (2026, June 2). Fairness-Aware Machine Learning. ScholarGate. https://scholargate.app/no/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.
- Logistisk regresjonForskningsstatistikk↔ compare
- ModellkalibreringMaskinlæring↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →