MIFair: Un Framework di Informazione Mutua per il Fair ML
MIFair funge da framework completo per valutare e ridurre i bias nell'apprendimento automatico, basato sui principi dell'informazione mutua. Affronta questioni legate all'intersezionalità, scenari multiclasse e adattabilità. Il framework include un template metrico e una strategia di mitigazione in-processing, ispirata a Prejudice Remover, che caratterizza l'equità di gruppo come indipendenza statistica tra variabili derivate dalle previsioni e attributi sensibili. Crea inoltre collegamenti con concetti di equità come indipendenza e separazione, mentre supporta intersezionalità, dinamiche di sottogruppi complesse e classificazione multiclasse attraverso tecniche di addestramento basate su regolarizzazione.
Fatti principali
- MIFair è un framework unificato per la valutazione e mitigazione dei bias.
- Si basa sull'informazione mutua.
- Affronta intersezionalità, impostazioni multiclasse e flessibilità.
- Fornisce un template metrico flessibile.
- Utilizza un metodo di mitigazione in-processing ispirato a Prejudice Remover.
- Definisce l'equità di gruppo come indipendenza statistica tra variabili derivate dalle previsioni e attributi sensibili.
- Stabilisce equivalenze con le nozioni di equità di indipendenza e separazione.
- Supporta intersezionalità, strutture di sottogruppi complesse e classificazione multiclasse.
Entità
—