Tassonomia dell'Incertezza nelle Decisioni Sequenziali di ML Equo
Un recente studio pubblicato su arXiv (2604.21711) presenta una classificazione dell'incertezza nel processo decisionale sequenziale relativo all'apprendimento automatico equo. I ricercatori sottolineano che, sebbene l'equità sia stata ampiamente esaminata nell'apprendimento supervisionato, numerose applicazioni pratiche di ML operano in modo online e sequenziale. In questi contesti, le decisioni precedenti influenzano quelle successive in mezzo all'incertezza derivante da controfattuali non osservati e campioni limitati. Questa incertezza ha un impatto significativo sui gruppi emarginati, che storicamente hanno subito esclusione e feedback distorti. La classificazione include incertezze relative a modelli, feedback e previsioni. Gli autori sottolineano che, sebbene i metodi algoritmici non possano eliminare le disuguaglianze strutturali, possono aiutare il processo decisionale socio-tecnico rivelando pregiudizi, delineando compromessi e facilitando la governance.
Fatti principali
- L'articolo arXiv:2604.21711 introduce una tassonomia dell'incertezza nel processo decisionale sequenziale per il ML equo
- L'equità è ben studiata nell'apprendimento supervisionato, ma molte applicazioni reali di ML sono online e sequenziali
- Le decisioni precedenti informano quelle future in condizioni di incertezza dovuta a controfattuali non osservati e campioni finiti
- I gruppi sottorappresentati sono sistematicamente sotto-osservati a causa di esclusione storica e feedback selettivo
- La tassonomia copre l'incertezza del modello, del feedback e delle previsioni
- Gli approcci algoritmici da soli non possono risolvere le disuguaglianze strutturali
- Il ML equo può supportare i sistemi decisionali socio-tecnici evidenziando pregiudizi e chiarendo i compromessi
Entità
Istituzioni
- arXiv