Jun, 2023

公平性指标在欧盟非歧视法律中的相容性：人口多样性平衡和条件人口差异

PDF
TL;DR本研究旨在通过条件人口失调性 (CDD) 的公平性定义来评估公平度量和公平约束，在欧盟非歧视法律框架下支持公平上下文方法，并进行了数据分析，发现 AI 辅助决策在法律角度上具有公平性，取决于具体情况和法律理由。
发现论文，激发创造
  • 为什么公平性无法自动化：弥合欧盟反歧视法和人工智能之间的差距

    通过对非歧视法的案例进行研究，提出了一种指标条件人口差异（CDD）来衡量机器学习中的公平性，此举可促进机器学习中公平性考虑，并尊重欧盟非歧视法中的情境因素。

    May, 2020

  • 欧盟非歧视法视角下的算法不公平：为何法律不是决策树

    本研究旨在分析欧洲联盟的非歧视法与计算机科学领域先进的算法公正概念之间的重叠与区别，研究表明，当前的 AI 实践和非歧视法存在的局限性，对 AI 从业者和监管者有着重要的启示。

    May, 2023

  • 具有统计保证的参数公平性

    通过将与预测相关的分布属性纳入考虑，我们扩展了人口平等的概念，允许专家知识在公平解决方案中得到应用，并通过一个工资的实际案例说明了此新度量的使用，同时开发了解决实际挑战的参数方法，提供了一个适用于现实生活中应用场景的强大解决方案。

    Oct, 2023

  • 公平性的测度和误测：公平机器学习的关键综述

    公平机器学习的早期专注是确保由算法指导的决策是公平的，三个公平定义引起了人们的关注，即反分类，分类平衡和校准，但这三个公平定义都有重大的统计局限性。相比之下，我们认为更倾向于根据最准确的风险估计对类似风险的人进行相似的处理，而不是一定要满足公平的数学定义，并强调这种方法需要大量的努力来构建适当的风险估计。

    Jul, 2018

  • 临床风险预测公平机器学习的实证表征

    该研究探讨了使用机器学习指导临床决策可能加剧现有的健康差距问题的潜力，并分析了算法公平的适用性、技术限制以及与机器学习在医疗保健中使用相关的社会技术背景。研究结果表明，在对各组之间的预测分布差异进行惩罚的情况下，几乎所有团体内的多项绩效指标都会降低，并且算法公平性方法在消除健康差距方面仍存在许多有待解决的问题。

    Jul, 2020

  • 通过统计平等棱镜调查机器学习中的偏见 —— 以成人数据集为例

    本文阐述了机器学习模型中出现偏见导致算法决策对特定群体或少数群体的歧视的问题，提出了公平学习问题的数学框架，运用标准差异影响指数量化偏见，最终检查了不同方法在二元分类结果中减少偏见的性能，并表明一些直观方法并不有效。这揭示了在训练观测结果包含偏见时，尝试制作公正的机器学习模型可能是一项特别具有挑战性的任务。

    Mar, 2020

  • 保护受保护群体：规避有害公平性

    介绍了一种名为 Welfare-Equalizing 的公平算法，旨在保护受保护群体。该方法提供了一种公平性数据分类的统一框架，以及一种计算最优分类器的算法。

    May, 2019

  • AI 法案对非歧视法和算法公平性的影响

    AI Act 试图在 AI 模型的设计阶段，将非歧视责任与算法公平两个概念联系起来，以缓解结构性的不平等问题，并提出了对于偏见检测和偏见修正的实际应用和技术要求方面的建议。

    Mar, 2024

  • 有界种族差异的极小极大公平分类

    控制统计机器学习方法的不公平影响是确保公平性的关键。本文探讨了具有两个受保护群体的公平二分类的统计基础，重点是控制人口统计差异，并提出了一种量化公平性约束影响的新方法。

    Mar, 2024

  • 基于人口统计学的算法公平性：揭示在追求公平性过程中人口统计数据收集的风险

    本文探讨了收集人口统计数据用于实现算法公平性所面临的风险和挑战，并呼吁在数据管理和系统性压抑等领域中解决这些问题。

    Apr, 2022