机构名称：
¥ 1.0
问题陈述ML用于跨各种领域的结果决策，例如减少累犯，雇用和信贷贷款。但是，可以通过使用历史人类数据的算法来学习和巩固社会偏见。不同类型的偏见，可以在ML管道的每个步骤中引入。公平性已成为算法决策的重要考虑因素，因为最近的案例强调了减轻对某些人口统计群体（Barocas，Hardt和Narayanan 2023）的不合理的缺点的重要性。在ML中的一项工作努力在不同的群体中为公平性而奋斗，这导致了许多所谓的群体公平标准。群体公平标准关注算法决策对个人生活的影响（Mehrabi等人。2021）。目标是避免在社会人口统计学群体之间进行系统的缺点。尽管ML取得了有希望的进展，但仍有一个警告：良好的预测模型不会自动导致公平。即使是一个完全准确的预测指标也不会为受影响的个体的公平结果。但是，量化决策系统的公平性并不简单，因为没有普遍接受的定义对算法决策系统的含义。任何在道德上适当的公平概念都在很大程度上取决于上下文，即使在给定的上下文中，人们可能会不同意“公平”。使Matters更加困难，先前的研究表明
识别，缓解和预期算法决策的偏见
主要关键词
相关文件推荐
