Συλλογές
Τίτλος Data privacy and fairness in machine learning
Εναλλακτικός τίτλος Ιδιωτικότητα και δικαιοσύνη δεδομένων στη μηχανική μάθηση
Δημιουργός Βρεττέας, Στυλιανός, Vretteas, Stylianos
Συντελεστής Chatziantoniou, Damianos
Athens University of Economics and Business, Department of Management Science and Technology
Mitrou, Lilian
Terrovitis, Emmanouil
Τύπος Text
Φυσική περιγραφή 57p.
Γλώσσα en
Αναγνωριστικό http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=10500
Περίληψη This analysis tries to cope with the following issue. The issue is whether the technologies we have designed are fair and whether their combination with Anonymization can make it fairer and just. This is implemented firstly by studying the existing bibliography of Fairness definitions and Anonymization. Secondly, by trying to implement basic classifications algorithms with the help of the proposed by the bibliography datasets and then using Anonymization in the dataset’s sensitive data in order to see its effects and compare the results.
Αυτή η ανάλυση προσπαθεί να αντιμετωπίσει το ακόλουθο ζήτημα. Το ζήτημα είναι αν οι τεχνολογίες που έχουμε σχεδιάσει είναι δίκαιες και αν ο συνδυασμός τους με την Ανωνυμοποίηση μπορεί να την κάνει πιο δίκαιη και δίκαιη. Αυτό υλοποιείται αρχικά με τη μελέτη της υπάρχουσας βιβλιογραφίας των ορισμών της Δικαιοσύνης και της Ανωνυμοποίησης. Δεύτερον, προσπαθώντας να υλοποιήσει βασικούς αλγορίθμους πρόβλεψης με τη βοήθεια των προτεινόμενων από τη βιβλιογραφία συνόλων δεδομένων και, στη συνέχεια, χρησιμοποιώντας την ανωνυμοποίηση στα ευαίσθητα δεδομένα του συνόλου δεδομένων να δει τα αποτελέσματά και να συγκρίνει.
Λέξη κλειδί Δικαιοσύνη δεδομένων
Ιδιωτικότητα δεδομένων
Μηχανική μάθηση
Data fairness
Data privacy
Machine learning (ML)
Διαθέσιμο από 2023-04-26 08:55:16
Ημερομηνία έκδοσης 31-03-2023
Ημερομηνία κατάθεσης 2023-04-26 08:55:16
Δικαιώματα χρήσης Free access
Άδεια χρήσης https://creativecommons.org/licenses/by/4.0/