Πρωτότυπος Τίτλος:
Μορφές επιρροής στη μηχανική μάθηση, τεχνικές εντοπισμού και αποφυγής
Συγγραφέας:
Μανθόπουλος, Χρήστος, Ματθαίος
Επιβλέπων καθηγητής:
Βαρλάμης, Ηρακλής
Περίληψη:
Η ραγδαία ανάπτυξη των αλγόριθμων μηχανικής μάθησης, σε συνδυασμό με τη πτώση του κόστους για αποθηκευτικό χώρο αλλά και τη σημαντική αύξηση της υπολογιστικής ισχύος, έχουν επιτρέψει στις διαδικασίες τεχνητής νοημοσύνης να εξελίσσονται σε όλο και πιο σύνθετες και να εντάσσονται όλο και περισσότερο σε ευαίσθητα και περίπλοκα συστήματα λήψης αποφάσεων. Τα συστήματα αυτά μπορεί να αφορούν εφαρμογές για την έγκριση δανείων, εφαρμογές υπολογισμού ασφάλιστρων, ακόμα και αυτοματισμούς στην έγκριση εγγύησης σε περιπτώσεις φυλακισμένων και προφανώς τα αποτελέσματά τους μπορεί να έχουν σημαντικό αντίκτυπο στις ζωές των ανθρώπων στους οποίους απευθύνονται. Για το λόγο αυτό είναι αναγκαίο τα μοντέλα που χρησιμοποιούνται να μην είναι προκατειλημένα εναντίον γνωρισμάτων όπως η φυλή, το φύλο, η θρησκεία κ.α., αλλά να παράγουν αυστηρά αντικειμενικά αποτελέσματα. Στην εργασία αυτή γίνεται αναφορά στους διάφορους ορισμούς του fairness και της επιρροής (bias) και προσδιορίζονται οι τρόποι με τους οποίους οι ορισμοί αυτοί χρησιμέυουν στον έλεγχο (audit) διαδικασιών μηχανικής μάθησης για ανίχνευση bias. Επιπλέον εξετάζονται οι τρόποι με τους οποίους μπορούμε να αποφύγουμε την εισαγωγή bias κατά τη δημιουργία μιας διαδικασίας μηχανικής μάθησης στη συλλογή δεδομένων και στους ίδιους τους αλγόριθμους που χρησιμοποιούνται. Στη συνέχεια γίνεται ανάλυση των τρόπων ελέγχου predictive μοντέλων για bias με τη χρήση των open source tools Aequitas, Themis-ML καθώς και σύγκριση των μετρικών που υπολογίζουν, των μεθόδων που χρησιμοποιούν αλλά και των αποτελεσμάτων που παράγουν σε διάφορα datasets. Ακόμα γίνεται αναφορά στους διάφορους αλγόριθμους για μείωση της προκατάληψης στο σύστημα με παράδειγμα χρήσης μερικών υλοποιήσεων από αυτούς που περιέχονται στο εργαλείο Themis_ML, ενώ τέλος θα αναλύσουμε τους διάφορους τρόπους επέκτασης των ερευνών όσον αφορά τις fairness-aware διαδικασίες μηχανικής μάθησης.
Ημερομηνία κατάθεσης:
2022-03-14
Γλώσσες Τεκμηρίου:
Ελληνικά
Θεματικές Κατηγορίες:
Ηλεκτρονικοί υπολογιστές. Επιστήμη των υπολογιστών
Λοιπά Θέματα:
Μηχανική μάθηση
Λέξεις-κλειδιά:
Δικαιοσύνη, ανάλυση δεδομένων, μείωση προκατάληψης, σύνολα δεδομένων,προκατάληψη
Περιγραφή:
58 σ.,εικ.,πίν.
Άδεια χρήσης:
Αναφορά Δημιουργού – Μη Εμπορική Χρήση – Όχι Παράγωγα Έργα 4.0
