Bağlantılar Cədvəli   Abstrakt və 1 Giriş   2 Əlaqədar əsərlər  3 İlkin   3.1 Ədalətli Nəzarət Edilən Öyrənmə və 3.2 Ədalətlilik Meyarları   3.3 Ədalətli Nəzarət Edilən Təhsil üçün Asılılıq Tədbirləri   DP-əsaslı Ədalətli Nəzarət Edilən Öyrənin 4 İnduktiv Qərəzləri   4.1 Nəzəri nəticələrin təsadüfi proqnozlaşdırma qaydasına qədər genişləndirilməsi   5 DP-əsaslı Ədalətli Öyrənməyə Dağıtım baxımından Güclü Optimallaşdırma Yanaşığı  6 Rəqəmsal Nəticələr   6.1 Eksperimental Quraşdırma   6.2 DP-əsaslı Ədalətli Öyrənmə üzrə təlim keçmiş Modellərin İnduktiv Qərəzləri   6.3 Heterojen Federativ Təlimdə DP-əsaslı Ədalətli Təsnifat   7 Nəticə və İstinadlar   Əlavə A Sübutlar   Əlavə B Şəkil verilənlər toplusu üçün əlavə nəticələr  mücərrəd  Həssas atributdan az asılılıqla etiketlər təyin edən ədalətli nəzarət edilən öyrənmə alqoritmləri maşın öyrənməsi cəmiyyətində böyük diqqəti cəlb etmişdir. Demoqrafik paritet (DP) anlayışı ədalətli təsnifatçıların təlimində modelin ədalətliliyini ölçmək üçün tez-tez istifadə olunsa da, ədəbiyyatda bir neçə tədqiqat ədalətli öyrənmə alqoritmlərində DP-nin tətbiqinin potensial təsirlərini təklif edir. Bu işdə biz həssas atribut verilməklə proqnozlaşdırılan etiketin şərti paylanmasına standart DP-əsaslı nizamlama metodlarının təsirini analitik şəkildə öyrənirik. Təhlillərimiz göstərir ki, həssas atributun qeyri-bərabər paylanması ilə balanslaşdırılmamış təlim verilənlər bazası təlim məlumatlarının əksəriyyətini özündə saxlayan həssas atributun nəticəsinə yönəlmiş təsnifat qaydasına gətirib çıxara bilər. DP-əsaslı ədalətli öyrənmədə bu cür induktiv qərəzlərə nəzarət etmək üçün biz həssas atributun marjinal paylanmasına qarşı dayanıqlığı yaxşılaşdıran həssas atribut əsaslı paylama baxımından möhkəm optimallaşdırma (SA-DRO) metodunu təklif edirik. Nəhayət, biz standart mərkəzləşdirilmiş və paylanmış təlim problemlərinə DP əsaslı təlim metodlarının tətbiqi ilə bağlı bir neçə ədədi nəticələri təqdim edirik. Empirik tapıntılar DP-əsaslı ədalətli öyrənmə alqoritmlərində induktiv qərəzlər və təklif olunan SA-DRO metodunun pisləşdirici təsirləri ilə bağlı nəzəri nəticələrimizi dəstəkləyir.  1 Giriş  Müasir maşın öyrənmə çərçivələrinin yüksək riskli qərar qəbul etmə tapşırıqlarında məsul şəkildə tətbiqi onların nəticələrinin cins və etnik mənsubiyyət kimi həssas atributlardan asılılığına nəzarət mexanizmlərini tələb edir. Proqnozun giriş xüsusiyyətlərindən asılılığına nəzarəti olmayan nəzarət edilən öyrənmə çərçivəsi həssas atributlarla əhəmiyyətli dərəcədə korrelyasiya edən ayrıseçkilik xarakterli qərarlara səbəb ola bilər. Bir neçə maşın öyrənmə tətbiqlərində ədalət amilinin kritik əhəmiyyətinə görə, ədalətli statistik öyrənmə alqoritmlərinin öyrənilməsinə və inkişafına ədəbiyyatda böyük diqqət yetirilmişdir.   DP-əsaslı öyrənmə alqoritmlərinin qərəzlərini azaltmaq üçün biz həssas atribut əsaslı paylama baxımından möhkəm optimallaşdırma (SA-DRO) metodu təklif edirik ki, burada ədalətli öyrənən verilənlərə əsaslanan marjinal paylanma ətrafında mərkəzləşmiş həssas atribut marjinal paylanmalar dəsti üzərində ən pis halda DP ilə tənzimlənən itkini minimuma endirir. Nəticə olaraq, SA-DRO yanaşması həssas atribut nəticələrinin müxtəlif tezliklərini hesablaya bilər və beləliklə, həssas atributun çoxluq nəticəsindəki dəyişikliklərə möhkəm davranış təklif edə bilər.  DDP əsaslı ədalətli təsnifat metodologiyalarının verilənlər bazasında çoxluğa malik olan həssas atributun potensial qərəzləri ilə bağlı bir neçə ədədi təcrübənin nəticələrini təqdim edirik. Bizim empirik tapıntılarımız nəzəri nəticələrə uyğundur və DP əsaslı ədalətli təsnifat qaydalarının həssas atribut əsaslı çoxluq qrupuna qarşı induktiv qərəzlərini təklif edir. Digər tərəfdən, nəticələrimiz göstərir ki, DRO-SA-ya əsaslanan ədalətli öyrənmə metodu, əksəriyyətin həssas atributu altında etiket paylanmasına daha az qərəzlə ədalətli təsnifat qaydaları ilə nəticələnir.  Bundan əlavə, praktikada bu cür induktiv qərəzlərin təsirlərini göstərmək üçün bir çox müştərinin mərkəzləşdirilməmiş modeli öyrətməyə çalışdığı federativ öyrənmə kontekstində ədalətli təsnifat tapşırığını təhlil edirik. Müştərilərin əksəriyyətinin həssas atribut nəticəsinin razı olmaya biləcəyi müştərilər arasında heterojen həssas atribut paylamalarına diqqət yetiririk. Şəkil 1, Yetkinlər üçün verilənlər bazası üzərində belə bir federasiya edilmiş öyrənmə ssenarisini göstərir, burada Müştəri 1-in əksər həssas atributunun (qadın nümunələri) şəbəkənin əksəriyyət qrupundan (kişi nümunələri) fərqli olduğu və nəticədə, Müştəri 1-in DP-əsaslı ədalətli federasiyalı öyrənmə ilə test dəqiqliyi yalnız yerli C modelindən əhəmiyyətli dərəcədə aşağıdır. 1-in məlumatları. Bu cür ədədi nəticələr müştərinin ədalətli federativ öyrənmədə iştirak etmək həvəsini şübhə altına alır. Bu işin əsas töhfələrinin xülasəsi aşağıdakılardır:  • Çoxluğun həssas atributuna qarşı DP-əsaslı ədalətli öyrənmənin qərəzlərini analitik şəkildə öyrənmək,  • DP-əsaslı ədalətli təsnifatın qərəzlərini azaltmaq üçün paylanma baxımından möhkəm optimallaşdırma metodunun təklif edilməsi,  • Mərkəzləşdirilmiş və federasiya olunmuş təlim ssenarilərində DP-əsaslı ədalətli öyrənmənin qərəzlilikləri üzrə ədədi nəticələrin təmin edilməsi.  2 Əlaqədar əsərlər    Bu işdə biz demoqrafik paritetə (DP) yönəlmiş öyrənmə çərçivələrinə diqqət yetiririk. DP-ni ciddi şəkildə saxlamaq üçün tətbiq etmək baha başa gələ və şagirdin performansına zərər verə biləcəyi üçün maşın öyrənmə ədəbiyyatı təsadüfi dəyişənlər arasında asılılığı qiymətləndirən bir neçə metrikanın tətbiqini təklif etdi, o cümlədən: qarşılıqlı məlumat: [3-7], Pearson korrelyasiyası [8, 9], nüvəyə əsaslanan maksimum orta uyğunsuzluq: [10] paritet (DDP) ölçüləri [11], maksimal korrelyasiya [12-15] və eksponensial Renyi qarşılıqlı məlumatı [16]. Təhlillərimizdə biz əsasən DDP əsaslı ədalətli nizamlanma sxeminə diqqət yetiririk, eyni zamanda qarşılıqlı məlumat və maksimal korrelyasiyaya əsaslanan ədalətli öyrənmə alqoritmləri vəziyyətində induktiv meyllərin yalnız daha zəif versiyalarını göstəririk.  Ədalətin Pozulması Metrikləri.    Ədalətli maşın öyrənmə alqoritmləri üç əsas kateqoriyaya təsnif edilə bilər: əvvəlcədən emal, sonrakı emal və emalda. Əvvəlcədən emal alqoritmləri [17-19] qərəzli məlumat xüsusiyyətlərini etiketlərin və həssas atributların statistik cəhətdən müstəqil olduğu yeni məkana çevirir. [2, 20] kimi post-processing metodları onun son qərarını dəyişdirərək təsnifatlaşdırıcının ayrı-seçkilik təsirini azaltmaq məqsədi daşıyır. İşimizin diqqət mərkəzində yalnız DP əsaslı ədalətli modellərə doğru təlim prosesini nizamlayan prosesdaxili yanaşmalara yönəldilir. Həmçinin, [21-23] ədalətli təsnifat üçün paylanma baxımından möhkəm optimallaşdırma (DRO) təklif edir; lakin bizim metodumuzdan fərqli olaraq, bu işlər qərəzləri azaltmaq üçün həssas atribut paylanmasına DRO tətbiq etmir. Ədalətli Təsnifat Alqoritmləri.  sadələşdirin  Bu sənəd   . arxivdə CC BY-NC-SA 4.0 DEED lisenziyası altında mövcuddur   Müəlliflər:  (1) Haoyu LEI, Kompüter Elmləri və Mühəndisliyi Departamenti, Honq Konq Çin Universitetinin (hylei22@cse.cuhk.edu.hk);  (2) Amin Gohari, Honq Konq Çin Universitetinin İnformasiya Mühəndisliyi Departamenti (agohari@ie.cuhk.edu.hk);  (3) Farzan Farnia, Kompüter Elmləri və Mühəndisliyi Departamenti, Honq Konq Çin Universitetinin (farnia@cse.cuhk.edu.hk).

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Read My Stories

Snapshot of society, a statistical portrait of people, age, gender, understanding populations, and their diverse stories

"Ədalətli" süni intellekt ədalətsiz nəticələr verdikdə nə etməli

About Author

ŞƏRHLƏR

ETİKET ASIN

BU MƏQALƏ TƏQDİM EDİLMİŞDİR

Related Stories

Women in Tech: Azize Sultan Shares Her Inspiring Journey from Architecture to Tech Leadership

How Azarus's Technology is Transforming Viewer Engagement on Stream

Optimizing Operations for Real Estate Investors - Interview with Startups of the Year Nominee, Azibo

Women in Tech: Azize Sultan Shares Her Inspiring Journey from Architecture to Tech Leadership

How Azarus's Technology is Transforming Viewer Engagement on Stream

Optimizing Operations for Real Estate Investors - Interview with Startups of the Year Nominee, Azibo

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps