Uczenie maszynowe uwzględniające sprawiedliwość (Fairness-Aware Machine Learning)
Uczenie maszynowe uwzględniające sprawiedliwość to rodzina technik, które trenują, ograniczają lub przetwarzają predykcyjne modele w taki sposób, aby ich wskaźniki błędów lub wyniki były sprawiedliwe w obrębie chronionych grup demograficznych, takich jak rasa, płeć czy wiek. Podstawowe ramy wyrównanych szans (equalized odds) i równości szans (equality of opportunity) zostały sformalizowane przez Moritza Hardta, Erica Price'a i Nati Srebro w ich przełomowej pracy z 2016 roku opublikowanej na NeurIPS, ustanawiając rygorystyczne kryteria statystyczne dla niedyskryminujących klasyfikatorów.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- Hardt, M., Price, E., & Srebro, N. (2016). Equality of opportunity in supervised learning. Advances in Neural Information Processing Systems, 29. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). Fairness-Aware Machine Learning. ScholarGate. https://scholargate.app/pl/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.
- Regresja logistycznaStatystyka w badaniach↔ compare
- Kalibracja modeluUczenie maszynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →