[featured_image

Der Artikel "Fairness durch Gleichheit der Anstrengung" von Wen Huang et al. konzentriert sich auf das Thema Fairness im maschinellen Lernen und entwickelt ein neues Konzept der Fairness, das als "Gleichheit der Anstrengung" bezeichnet wird. Es ist wichtig zu beachten, dass der Artikel nicht spezifisch auf durch KI generierte Bilder und die damit verbundenen Vorurteile und Stereotypen eingeht. Stattdessen konzentriert er sich auf die Diskriminierung in Bezug auf die Anstrengung, die Individuen unternehmen müssen, um ein bestimmtes Ergebnis zu erzielen.

Die Autoren stellen fest, dass Diskriminierung eine ungerechte Behandlung von Individuen aufgrund der Gruppe, der sie zugeordnet werden, darstellt. Sie entwickeln eine neue kausale Fairness-Notation, die "Gleichheit der Anstrengung" genannt wird. Diese unterscheidet sich von bestehenden Fairness-Konzepten, die hauptsächlich auf die Entdeckung der Diskrepanz von Entscheidungen zwischen zwei Gruppen von Individuen abzielen. Die vorgeschlagene Gleichheit der Anstrengung hilft dabei, Fragen zu beantworten, wie zum Beispiel, inwieweit eine legitime Variable geändert werden sollte, damit ein bestimmtes Individuum ein bestimmtes Ergebnisniveau erreicht. Sie adressiert auch die Bedenken, ob die Anstrengungen, die unternommen werden müssen, um das gleiche Ergebnisniveau für Individuen aus der geschützten Gruppe und der ungeschützten Gruppe zu erreichen, unterschiedlich sind.

Die Autoren entwickeln Algorithmen, um zu bestimmen, ob ein Individuum oder eine Gruppe von Individuen in Bezug auf die Gleichheit der Anstrengung diskriminiert wird. Sie entwickeln auch eine optimierungsbasierte Methode, um diskriminierende Effekte aus den Daten zu entfernen, wenn Diskriminierung festgestellt wird. Sie führen empirische Auswertungen durch, um die Gleichheit der Anstrengung und bestehende Fairness-Konzepte zu vergleichen und zeigen die Wirksamkeit ihrer vorgeschlagenen Algorithmen.

Download
  • Version
  • Download 1
  • File Size 244.52 KB
  • File Count 1
  • Create Date 2023-07-05
  • Last Updated 2023-07-06