Améliorer la généralisation de l'équité en apprentissage grâce à l'Optimisation Distributionnellement Robuste - LAAS - Laboratoire d'Analyse et d'Architecture des Systèmes Access content directly
Conference Papers Year : 2021

Améliorer la généralisation de l'équité en apprentissage grâce à l'Optimisation Distributionnellement Robuste

Abstract

Pour répondre aux enjeux de biais non-désirés en apprentissage machine, de nombreux travaux ont proposé des techniques d'amélioration de l'équité se basant sur des métriques statistiques. Cependant, l'expérience montre que la généralisation sur de nouvelles données n'est pas toujours au rendez-vous. Pour répondre à ce problème, nous proposons une technique d'Optimisation Distributionnellement Robuste permettant de générer des modèles d'apprentissage dont l'équité généralise mieux sur des nouvelles données. L'évaluation expérimentale de cette technique démontre son efficacité.
Fichier principal
Vignette du fichier
RJCIA_2021_paper_7.pdf (158.52 Ko) Télécharger le fichier
Origin Files produced by the author(s)

Dates and versions

hal-03249522 , version 1 (04-06-2021)

Identifiers

  • HAL Id : hal-03249522 , version 1

Cite

Julien Ferry, Ulrich Aïvodji, Sébastien Gambs, Marie-José Huguet, Mohamed Siala. Améliorer la généralisation de l'équité en apprentissage grâce à l'Optimisation Distributionnellement Robuste. Rencontres des Jeunes Chercheurs en Intelligence Artificielle (RJCIA/PFIA 2021), Jul 2021, Bordeaux (virtual), France. ⟨hal-03249522⟩
127 View
96 Download

Share

Gmail Mastodon Facebook X LinkedIn More