Fasi di elaborazione della mitigazione dei pregiudizi
Le tecniche di mitigazione del bias algoritmico si suddividono in tre fasi principali relative al processo di addestramento del modello. I metodi di pre-elaborazione modificano i dati di addestramento stessi (ad esempio, riponderazione, ricampionamento). I metodi di elaborazione incorporano vincoli di equità direttamente nell'algoritmo di apprendimento del modello. I metodi di post-elaborazione regolano le previsioni del modello dopo che sono state effettuate per migliorarne l'equità.
Questa classificazione in tre fasi fornisce un quadro strutturato per affrontare i bias. La pre-elaborazione è incentrata sui dati; mira a creare un dataset "equo" prima che il modello lo elabori. Tecniche come la riponderazione assegnano un'importanza diversa ai punti dati per contrastare gli squilibri, mentre il sovracampionamento/sottocampionamento regola il numero di istanze provenienti da gruppi diversi. Questo approccio è indipendente dal modello, ma potrebbe alterare la distribuzione sottostante dei dati.
L'in-processing è incentrato sul modello. Modifica la funzione obiettivo dell'algoritmo di apprendimento per includere un termine di penalità per l'iniquità. Ad esempio, un modello potrebbe essere ottimizzato per massimizzare l'accuratezza e al contempo minimizzare la differenza nei tassi di errore tra i gruppi. Ciò può portare a soluzioni più integrate, ma richiede la modifica dell'algoritmo principale, rendendolo meno flessibile.
La post-elaborazione è incentrata sulla previsione. Prende gli output di un modello addestrato, potenzialmente distorto, e li adatta per soddisfare un criterio di equità. Ciò può comportare la modifica delle soglie di classificazione per diversi gruppi. È il metodo meno invasivo in quanto tratta il modello come una scatola nera, ma può ridurre l'utilità complessiva e può sembrare improvvisato. La scelta della fase dipende da fattori quali l'accesso ai dati di addestramento, la possibilità di modificare il modello e gli specifici obiettivi di equità.
UNESCO Nomenclature: 1203
- Informatica
Precursori
- techniques for handling imbalanced datasets in machine learning
- constrained optimization methods in mathematics
- development of fairness metrics to serve as objectives or constraints
- the overall growth of machine learning as a field
Applicazioni
- the AIF360 toolkit by IBM, which implements algorithms from all three categories
- Lo strumento "What-If" di Google, che consente di esplorare il comportamento e l'equità dei modelli.
- fairlearn, an open-source python package for assessing and improving fairness
- commercial AI platforms offering built-in bias detection and mitigation features
Idee e potenziali innovazioni
A causa dell'eliminazione del traffico generato dai bot, che attualmente supera i 40.000 al giorno, questo contenuto è riservato ai membri della community.
> Accedi O > Registrati L'accesso a questo contenuto, così come a tutti gli altri contenuti e strumenti riservati, è (100% gratuito).
Argomenti correlati: mitigazione dei bias, pre-elaborazione, elaborazione in corso, post-elaborazione, apprendimento automatico equo, riponderazione, ricampionamento, vincoli di equità, equità algoritmica, etica dell'IA.