FairDETOCS: An approach to detect and connect unfair models
Notice bibliographique
Résumé
In the dawn of the digital age, Artificial Intelli-gence and decision-making systems have become omnipresent, completely shaping various aspects of our daily lives. Unfortu-nately, as these systems grow more complex and influential, they also raise significant ethical and societal concerns. As machine learning and AI continue to evolve, ensuring fairness in these systems has become increasingly important. The challenge lies in making models fair, necessitating algorithms that mitigate biases, particularly intersectional biases. Numerous studies have highlighted the lack of intersectional bias treatment in current methodologies. Thus, we propose in this paper a novel approach named FairDetocs. This method incorporates fairness metrics to measure intersectional biases and employs a reweighting algorithm to mitigate them. The process begins with the initial evaluation of biases, followed by data adjustment through the reweighting algorithm, and concludes with a re-evaluation of biases to ensure effective reduction. We base our study on the Adult Income dataset, modified with Canadian statistics. Our results demonstrate a noticeable attenuation of biases, showcasing the effectiveness of FairDetocs in promoting fairness in machine learning models. Overall, our exploratory study provides a significant contribution to the field of fairness in machine learning and sets the stage for further research on this topic.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,030 | 0,124 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,008 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,006 | 0,009 |
| Science ouverte | 0,005 | 0,012 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».