Maskininlärning med medvetenhet om rättvisa
Maskininlärning med medvetenhet om rättvisa (Fairness-Aware Machine Learning) är en samling tekniker som tränar, begränsar eller efterbearbetar prediktiva modeller så att deras felfrekvenser eller utfall är jämlika över skyddade demografiska grupper såsom ras, kön eller ålder. Det grundläggande ramverket för jämlika odds och möjlighet till lika möjligheter formaliserades av Moritz Hardt, Eric Price och Nati Srebro i deras banbrytande artikel från 2016 på NeurIPS, där rigorösa statistiska kriterier för icke-diskriminerande klassificerare etablerades.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- Hardt, M., Price, E., & Srebro, N. (2016). Equality of opportunity in supervised learning. Advances in Neural Information Processing Systems, 29. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). Fairness-Aware Machine Learning. ScholarGate. https://scholargate.app/sv/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 regressionForskningsstatistik↔ compare
- ModellkalibreringMaskininlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →