Strojové učenie s ohľadom na spravodlivosť
Strojové učenie s ohľadom na spravodlivosť (Fairness-Aware Machine Learning) je rodina techník, ktoré trénujú, obmedzujú alebo dodatočne spracúvajú prediktívne modely tak, aby ich chybovosť alebo výsledky boli spravodlivé naprieč chránenými demografickými skupinami, ako sú rasa, pohlavie alebo vek. Základný rámec rovnakých šancí (equalized odds) a rovnosti príležitostí (equality of opportunity) formalizovali Moritz Hardt, Eric Price a Nati Srebro vo svojej prelomovej práci z NeurIPS 2016, čím stanovili rigorózne štatistické kritériá pre nediskriminačné klasifikátory.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Hardt, M., Price, E., & Srebro, N. (2016). Equality of opportunity in supervised learning. Advances in Neural Information Processing Systems, 29. link ↗
Ako citovať túto stránku
ScholarGate. (2026, June 2). Fairness-Aware Machine Learning. ScholarGate. https://scholargate.app/sk/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.
- Logistická regresiaŠtatistika vo výskume↔ compare
- Kalibrácia modeluStrojové učenie↔ compare
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →