公平性感知机器学习或公平性感知数据挖掘的目标是在分析数据的同时考虑到公平性、歧视、中立性和/或独立性等潜在问题。FAML的两个主要任务是不公平检测和不公平预防。不公平检测任务旨在发现数据库中的不公平待遇。不公平预防任务的目的是学会一个统计模型从潜在的不公平的数据集,这样敏感的特性不会影响模型的结果,其中一个敏感特性表示的信息希望不影响结果,如社会敏感信息或信息,用户希望忽略。

https://www.kamishima.net/faml/

成为VIP会员查看完整内容
18

相关内容

Berkeley博士论文《反馈系统中的可信机器学习》203页pdf
专知会员服务
38+阅读 · 2022年3月25日
Zak最新《神经信息传递》教程视频
专知会员服务
18+阅读 · 2022年2月15日
【CIKM2021-Tutorial】图挖掘公平性,166页ppt
专知会员服务
30+阅读 · 2021年11月5日
专知会员服务
50+阅读 · 2021年8月8日
专知会员服务
34+阅读 · 2021年7月7日
专知会员服务
29+阅读 · 2021年2月21日
少标签数据学习,61页ppt,宾夕法尼亚大学
专知会员服务
36+阅读 · 2020年8月27日
【NeurIPS2019报告推荐】公平与表示学习—UIUC Sanmi Koyejo教授
WWW'21 | 基于图的视角学习推荐系统的公平表征
图与推荐
0+阅读 · 2021年12月11日
【CIKM2021-Tutorial】图挖掘公平性,166页ppt
图与推荐
4+阅读 · 2021年11月7日
【经典书】信息论与统计: 教程,116页pdf
专知
1+阅读 · 2021年3月27日
你跳宅舞的样子很专业:不,这都是AI合成的结果
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
6+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年4月20日
Arxiv
46+阅读 · 2021年10月4日
Arxiv
16+阅读 · 2021年7月18日
VIP会员
相关VIP内容
Berkeley博士论文《反馈系统中的可信机器学习》203页pdf
专知会员服务
38+阅读 · 2022年3月25日
Zak最新《神经信息传递》教程视频
专知会员服务
18+阅读 · 2022年2月15日
【CIKM2021-Tutorial】图挖掘公平性,166页ppt
专知会员服务
30+阅读 · 2021年11月5日
专知会员服务
50+阅读 · 2021年8月8日
专知会员服务
34+阅读 · 2021年7月7日
专知会员服务
29+阅读 · 2021年2月21日
少标签数据学习,61页ppt,宾夕法尼亚大学
专知会员服务
36+阅读 · 2020年8月27日
【NeurIPS2019报告推荐】公平与表示学习—UIUC Sanmi Koyejo教授
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
6+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员