Mašinsko učenje svesno pravednosti
Mašinsko učenje svesno pravednosti (Fairness-Aware Machine Learning) je porodica tehnika koje obučavaju, ograničavaju ili naknadno obrađuju prediktivne modele tako da njihove stope grešaka ili ishodi budu pravedni među zaštićenim demografskim grupama kao što su rasa, pol ili starost. Temeljni okvir izjednačenih šansi (equalized odds) i jednakosti mogućnosti (equality of opportunity) formalizovali su Moritz Hardt, Eric Price i Nati Srebro u svom značajnom radu sa NeurIPS-a 2016. godine, uspostavljajući rigorozne statističke kriterijume za nediskriminatorne klasifikatore.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Hardt, M., Price, E., & Srebro, N. (2016). Equality of opportunity in supervised learning. Advances in Neural Information Processing Systems, 29. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). Fairness-Aware Machine Learning. ScholarGate. https://scholargate.app/sr/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.
- Logistička regresijaIstraživačka statistika↔ compare
- Kalibracija modelaMašinsko učenje↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →