【KDD2019|讲座推荐】公平意识机器学习：现实挑战与经验教训：Fairness-Aware Machine Learning: Practical Challenges and Lessons Learned

讲座题目

公平意识机器学习：现实挑战与经验教训：Fairness-Aware Machine Learning: Practical Challenges and Lessons Learned

讲座简介

来自不同学科的研究人员和从业人员强调了使用机器学习模型和数据驱动系统所带来的伦理和法律挑战，以及由于算法决策系统的偏见，这些系统可能歧视某些群体。本教程概述了过去几年观察到的算法偏差/歧视问题，以及在机器学习系统中为实现公平性而吸取的经验教训、关键法规和法律，以及技术的发展。在为不同的消费者和企业应用开发基于机器学习的模型和系统时，我们将鼓励采用“按设计公平”的方法（而不是将算法偏差/公平考虑视为事后考虑）。然后，我们将通过展示来自不同技术公司的非专利案例研究，重点关注公平感知机器学习技术在实践中的应用。最后，根据我们在Facebook、Google、LinkedIn和Microsoft等公司致力于机器学习公平性的经验，我们将为数据挖掘/机器学习社区提出开放的问题和研究方向。

讲座嘉宾

莎拉•伯德（Sarah Bird）领导着人工智能研究与Facebook产品交叉点的战略项目。她目前的工作集中在人工智能伦理和发展规模负责任人工智能。她还一直致力于开放人工智能系统，是ONNX的共同创造者之一，ONNX是一个用于深度学习模型的开放标准，也是Pythorc1.0项目的领导者。在加入Facebook之前，她曾是微软纽约研究中心的人工智能系统研究员和微软数据集团的技术顾问。她是微软决策服务（Decision Service）背后的研究人员之一，该服务是第一个公开发布的通用强化学习型云系统。她还与人共同创立了微软人工智能伦理命运研究小组。她拥有加州大学伯克利分校（UC Berkeley）计算机科学博士学位，由戴夫·帕特森（Dave Patterson）、克里斯特·阿萨诺维奇（Krste Asanovic）和伯顿·史密斯（Burton Smith）担任顾问。Sarah共同组织了多个相关主题的研讨会（人工智能、NIPS 2018中的道德、社会和治理问题研讨会；NIPS 2018中的机器学习系统研讨会；NIPS 2017中的机器学习系统研讨会；SOSP 2017中的人工智能系统研讨会；NIPS 2016中的机器学习系统研讨会），并在2018年伯克利隐私法论坛（Berkeley Privacy Law Forum）上发表了受邀的主题演讲（“人工智能与机器学习：Facebook视角”）。