《机器学习与公平性》新书发布,附127页PDF下载

2019 年 9 月 13 日 专知
《机器学习与公平性》新书发布,附127页PDF下载

【导读】近几年来,随着机器学习的普及,机器学习系统的公平性问题引起了实际的道德、社会等问题。图书《公平性与机器学习—局限与机遇》以公平性为核心问题来看待机器学习,提供了对当前机器学习实践以及为实现公平而提出的技术修复方案的批判性思考。


社会、道德和机器学习自身等角度,介绍了目前机器学习中的公平性问题,如由于数据导致的偏置(bias)等问题。


图书《Fairness and Machine Learning - Limitations and Opportunities》(《公平性与机器学习—局限与机遇》)以公平性为核心问题来看待机器学习,强调机器学习在道德方面的挑战。作者希望该书尽可能地被广泛阅读,但在写作时依然坚持着技术的严谨性。该书并没有提供包罗万象的对公平性完整的正式定义,也没有提出一个快速解决社会对自动决策担忧的修复方案。


解决机器学习公平性问题需要认真理解机器学习工具的局限性。该书提供了对当前机器学习实践以及为实现公平而提出的技术修复方案的批判性思考。虽然这些问题都没有简单的答案,作者希望这本书能够帮助读者更深层次地理解如何构建负责任的机器学习系统。


该书内容大致如下:

  • 简介

    • 人口差异

    • 机器学习循环

    • 社会状态

    • 度量的问题

    • 从数据到模型

    • 行为的陷阱

    • 反馈循环

    • 根据一个玩具示例巩固

    • 其它道德考虑

    • 我们的展望:局限和机遇

  • 分类

    • 有监督学习

    • 敏感特征

    • 正式非歧视性标准

    • 校准和充分

    • 标准间的关系

    • 观察标准的固有局限

    • 示例:信用打分

    • 问题:刑事司法

    • 问题:交通中断的数据建模

    • 公平标准的目的是什么

  • 法律背景和规范问题

  • 因果

    • 观察的局限性

    • 因果模型

    • 因果图

    • 干预和因果效应

    • 混杂

    • 图歧视分析

    • 反设事实

    • 反设事实歧视分析

    • 因果模型有效性


 请关注专知公众号(点击上方蓝色专知关注

  • 后台回复“FMLLO” 就可以获取完整版《Fairness and Machine Learning - Limitations and Opportunities》的下载链接~ 


附部分PDF预览:




参考链接:

  • https://fairmlbook.org/pdf/fairmlbook.pdf


-END-

专 · 知


专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎登录www.zhuanzhi.ai,注册登录专知,获取更多AI知识资料!

欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程视频资料和与专家交流咨询

请加专知小助手微信(扫一扫如下二维码添加),加入专知人工智能主题群,咨询技术商务合作~

专知《深度学习:算法到实战》课程全部完成!560+位同学在学习,现在报名,限时优惠!网易云课堂人工智能畅销榜首位!

点击“阅读原文”,了解报名专知《深度学习:算法到实战》课程

登录查看更多
9

相关内容

【导读】机器学习系统:这个规模的设计是一个示例丰富的指南,教你如何在你的机器学习系统中实现反应式设计解决方案,使它们像一个构建良好的web应用一样可靠。

本文首先介绍了反应性机器学习基础,然后介绍如何建立一个反应式机器学习系统(收集数据、生成特征、学习模型、评估模型、发布模型),最后介绍如何操作一个机器学习系统。

  1. 作者介绍 Jeff Smith使用Scala和Spark构建大规模的机器学习系统。在过去的十年中,他一直在纽约,旧金山和香港的多家初创公司从事数据科学应用的研究。他在博客中谈到了构建现实世界机器学习系统的各个方面。

  2. 内容大纲 Part 1. 反应性机器学习基础

  • 第一章. 反应性机器学习
  • 第二章. 使用反应性工具

Part 2. 建立一个反应式机器学习系统(Building a reactive machine learning system)

  • 第三章. 收集数据(Collecting data)
  • 第四章. 生成特征(Generating features)
  • 第五章. 学习模型(Learning models)
  • 第六章. 评估模型( Evaluating models)
  • 第七章. 发布模型(Publishing models)
  • 第八章. 作答(Responding)

Part 3. 操作一个机器学习系统(Operating a machine learning system)

  • 第三章. 陈述(Delivering)
  • 第四章. 发展智力(Evolving intelligence)
成为VIP会员查看完整内容
0
65

近几年来,随着机器学习的普及,机器学习系统的公平性问题引起了实际的道德、社会等问题。图书《公平性与机器学习—局限与机遇》以公平性为核心问题来看待机器学习,提供了对当前机器学习实践以及为实现公平而提出的技术修复方案的批判性思考。

社会、道德和机器学习自身等角度,介绍了目前机器学习中的公平性问题,如由于数据导致的偏置(bias)等问题。

图书《Fairness and Machine Learning - Limitations and Opportunities》(《公平性与机器学习—局限与机遇》)以公平性为核心问题来看待机器学习,强调机器学习在道德方面的挑战。作者希望该书尽可能地被广泛阅读,但在写作时依然坚持着技术的严谨性。该书并没有提供包罗万象的对公平性完整的正式定义,也没有提出一个快速解决社会对自动决策担忧的修复方案。

解决机器学习公平性问题需要认真理解机器学习工具的局限性。该书提供了对当前机器学习实践以及为实现公平而提出的技术修复方案的批判性思考。虽然这些问题都没有简单的答案,作者希望这本书能够帮助读者更深层次地理解如何构建负责任的机器学习系统。

成为VIP会员查看完整内容
0
28
小贴士
相关论文
Hongwei Wang,Jure Leskovec
28+阅读 · 2020年2月17日
Joost Verbraeken,Matthijs Wolting,Jonathan Katzy,Jeroen Kloppenburg,Tim Verbelen,Jan S. Rellermeyer
25+阅读 · 2019年12月20日
Advances and Open Problems in Federated Learning
Peter Kairouz,H. Brendan McMahan,Brendan Avent,Aurélien Bellet,Mehdi Bennis,Arjun Nitin Bhagoji,Keith Bonawitz,Zachary Charles,Graham Cormode,Rachel Cummings,Rafael G. L. D'Oliveira,Salim El Rouayheb,David Evans,Josh Gardner,Zachary Garrett,Adrià Gascón,Badih Ghazi,Phillip B. Gibbons,Marco Gruteser,Zaid Harchaoui,Chaoyang He,Lie He,Zhouyuan Huo,Ben Hutchinson,Justin Hsu,Martin Jaggi,Tara Javidi,Gauri Joshi,Mikhail Khodak,Jakub Konečný,Aleksandra Korolova,Farinaz Koushanfar,Sanmi Koyejo,Tancrède Lepoint,Yang Liu,Prateek Mittal,Mehryar Mohri,Richard Nock,Ayfer Özgür,Rasmus Pagh,Mariana Raykova,Hang Qi,Daniel Ramage,Ramesh Raskar,Dawn Song,Weikang Song,Sebastian U. Stich,Ziteng Sun,Ananda Theertha Suresh,Florian Tramèr,Praneeth Vepakomma,Jianyu Wang,Li Xiong,Zheng Xu,Qiang Yang,Felix X. Yu,Han Yu,Sen Zhao
15+阅读 · 2019年12月10日
A Comprehensive Survey on Transfer Learning
Fuzhen Zhuang,Zhiyuan Qi,Keyu Duan,Dongbo Xi,Yongchun Zhu,Hengshu Zhu,Hui Xiong,Qing He
86+阅读 · 2019年11月7日
A Capsule Network-based Embedding Model for Knowledge Graph Completion and Search Personalization
Dai Quoc Nguyen,Thanh Vu,Tu Dinh Nguyen,Dat Quoc Nguyen,Dinh Phung
6+阅读 · 2019年3月6日
Claudio Gambella,Bissan Ghaddar,Joe Naoum-Sawaya
7+阅读 · 2019年1月16日
Yanbin Liu,Juho Lee,Minseop Park,Saehoon Kim,Eunho Yang,Sungju Hwang,Yi Yang
18+阅读 · 2018年12月25日
Learning Embedding Adaptation for Few-Shot Learning
Han-Jia Ye,Hexiang Hu,De-Chuan Zhan,Fei Sha
8+阅读 · 2018年12月10日
A Survey of Learning Causality with Data: Problems and Methods
Ruocheng Guo,Lu Cheng,Jundong Li,P. Richard Hahn,Huan Liu
7+阅读 · 2018年9月25日
Guillaume Klein,Yoon Kim,Yuntian Deng,Vincent Nguyen,Jean Senellart,Alexander M. Rush
3+阅读 · 2018年5月28日
Top