.png){kind=icon}
返回
Algorithmic Fairness: A Runtime Perspective
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-05435-7_1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
AI中的公平性传统上被研究为在固定数据集上一次评估的静态属性。然而，现实世界的AI系统是按顺序运行的，其结果和环境随时间演变。本文提出了一种将公平性作为运行时属性进行分析的框架。基于可能存在演变偏差的硬币投掷序列的最小化但富有表现力的模型，我们研究了在投掷结果或硬币偏差中表达的公平性监控和强制执行问题。由于这两个问题没有一刀切的解决方案，我们提供了根据环境动态、预测范围和置信阈值参数化的监控和强制执行策略概述。对于这两个问题，我们在简单或最小假设下提出了通用结果。我们回顾了针对马尔可夫动态和加性动态的监控问题的现有解决方案，以及在已知动态的静态设置中强制执行问题的现有解决方案。
Keyword:
Fairness
Runtime monitoring
Runtime enforcement
期刊
R
IF:
0
论文数:
27
被引数:
0
机构
引用论文
分享收藏Dissecting racial bias in an algorithm used to manage the health of populations在用于管理人群健康的算法中剖析种族偏见.png)
SCIENCE
OAAI
SCIENCEIF45.8
OAAI分享收藏The accuracy, fairness, and limits of predicting recidivism预测累犯的准确性，公平性和局限性SCIENCE ADVANCESOAAI
SCIENCE ADVANCESIF12.5
OAAI分享收藏
查看更多内容