Metodbevispost

Fairness-Aware ML

Fairness-Aware Machine Learning is a family of techniques that train, constrain, or post-process predictive models so that their error rates or outcomes are equitable across protected demographic groups such as race, gender, or age. The foundational framework of equalized odds and equality of opportunity was formalized by Moritz Hardt, Eric Price, and Nati Srebro in their landmark 2016 NeurIPS paper, establishing rigorous statistical criteria for non-discriminatory classifiers.

Sources recorded, not reviewed

Källpost

Citat kopierade ordagrant från metodens källpost. Ingen verifiering på källnivå härleds från dem.

Fairness-Aware Machine Learning

Taxonomisk metodpost · ml-model / machine-learning

Hardt, M., Price, E., & Srebro, N. (2016). Equality of opportunity in supervised learning. Advances in Neural Information Processing Systems, 29. · URL

Öppna fullständig metod

Kuraterade påståenden

Påståenden lagrade i bevisloggen, var och en med sin egen bedömning.

Inga kuraterade påståenden ännu

Denna vy hittar inte på en påståendebedömning när loggen saknar en.

Relaterade metoder

Genererade från metodgrafen och visade som maskinföreslagna relationer – inga bevispåståenden härleds.