Ανάπτυξη μιας νέας προσέγγισης μετεπεξεργασίας για την αντιμετώπιση της προκατάληψης στη μηχανική μάθηση
| datacite.contributor.RelatedPerson | Σιούτας, Σπυρίδων | |
| datacite.contributor.RelatedPerson | Τσίχλας, Κωνσταντίνος | |
| datacite.contributor.Supervisor | Μακρής, Χρήστος | |
| dc.contributor.author | Παγδάτογλου, Ιωάννης-Ορέστης | |
| dc.contributor.other | Pagdatoglou, Ioannis-Orestis | |
| dc.date.accessioned | 2025-02-14T09:59:22Z | |
| dc.date.available | 2025-02-14T09:59:22Z | |
| dc.date.issued | 2024-09-23 | |
| dc.degree | masterThesis | |
| dc.description.abstract | Με την αυξανόμενη χρήση αλγορίθμων μηχανικής μάθησης σε διαδικασίες λήψης αποφάσεων, εντείνεται η ανησυχία για τη δυνητική μεροληψία και τις διακρίσεις που μπορεί να προκύψουν λόγω των υποκείμενων δεδομένων ή του αλγοριθμικού σχεδιασμού. Έχουν προταθεί διάφορα κριτήρια δικαιοσύνης για τη μέτρηση και την άμβλυνση τέτοιων προκαταλήψεων συμπεριλαμβανομένης της demographic parity (δημογραφικής ισότητας), equalized odds , and equal opportunity (των εξισωμένων πιθανοτήτων), και της ίσης ευκαιρίας. Ωστόσο, οι υπάρχουσες προσεγγίσεις για την αντιμετώπιση της δικαιοσύνης στη μηχανική μάθηση επικεντρώνονται κυρίως σε τεχνικές προ-επεξεργασίας (pre-processing) και ενδο-επεξεργασίας (in-processing). Οι τεχνικές μετεπεξεργασίας (post-processing) έχουν λάβει λιγότερη προσοχή, αν και προσφέρουν πολλά πλεονεκτήματα, όπως η ευελιξία και η ευκολία εφαρμογής. Αντικείμενο της συγκεκριμένης διπλωματικής είναι: • Επισκόπηση της σύγχρονης βιβλιογραφίας στις προσεγγίσεις μετεπεξεργασίας για τη μείωση της μεροληψίας στη μηχανική μάθηση. • Αξιολόγηση της αποτελεσματικότητας διαφόρων προσεγγίσεων μετεπεξεργασίας στη μείωση των παραβιάσεων της μεροληψίας σε μοντέλα μηχανικής μάθησης. • Ανάπτυξη μιας νέα προσέγγισης μετεπεξεργασίας για την άμβλυνση της μεροληψίας και σύγκριση της αποτελεσματικότητάς της με τις υπάρχουσες μεθόδους. | |
| dc.description.translatedabstract | With the increasing use of machine learning algorithms in decision-making processes, there is growing concern about potential bias and discrimination that may arise due to underlying data or algorithmic design. Various fairness criteria have been proposed to measure and mitigate such biases, including demographic parity, equalized odds, and equal opportunity. However, existing approaches to addressing fairness in machine learning focus primarily on pre-processing and in-processing techniques. Post-processing techniques have received less attention, although they offer many advantages such as flexibility and ease of implementation. The subject of this specific thesis is: •Examination of the current state of the art in post-processing approaches for mitigating bias in machine learning. •Evaluation of the effectiveness of various post-processing approaches in reducing bias violations in machine learning models. •Development of a new post-processing approach for mitigating bias and comparison of its effectiveness with existing methods. | |
| dc.identifier.uri | https://hdl.handle.net/10889/28930 | |
| dc.language.iso | el | |
| dc.rights | Attribution-NonCommercial 4.0 International | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc/4.0/ | |
| dc.subject | Αλγόριθμοι μηχανικής μάθησης | |
| dc.subject | Μετεπεξεργασία | |
| dc.subject | Προκατάληψη στην τεχνητή νοημοσύνη | |
| dc.subject.alternative | Post-processing | |
| dc.subject.alternative | AI bias | |
| dc.title | Ανάπτυξη μιας νέας προσέγγισης μετεπεξεργασίας για την αντιμετώπιση της προκατάληψης στη μηχανική μάθηση | |
| dc.title.alternative | Development of a new post-processing approach to address bias in machine learning |