20.500.12556/DKUM-97050 Metode za razlaganje nepravičnosti v strojnem učenju Methods for explaining unfairness in machine learning Naloga obravnava razvoj dveh post-hoc metod za razlago nepravičnosti v modelih strojnega učenja z uporabo odločitvenih dreves. Metodi se osredotočata na individualno nepravičnost, pri čemer se lokalne napake agregirajo v pojasnjevalnem drevesu, agregacija preko občutljive spremenljivke pa omogoča vpogled v širše vzorce nepravičnosti. Namen naloge je bil preveriti, ali lahko razviti metodi zaznata različne oblike nepravičnih vzorcev na dveh sintetičnih in enem realnem podatkovnem naboru. Rezultati kažejo, da vsaka metoda zaznava nepravičnost v skladu s svojim konceptualnim pristopom, pri čemer prva metoda izkazuje višje povprečne vrednosti na sintetičnih naborih, druga metoda pa na realnem podatkovnem naboru. Primerjava uteženih in neuteženih rezultatov kaže, da uteževanje prispeva k preglednejši in primerljivejši interpretaciji zaznanih razlik med skupinami. This work addresses the development of two post-hoc methods for explaining unfairness in machine learning models using decision trees. The proposed two methods focus on individual unfairness, where locally defined errors are aggregated in a surrogate decision tree, while aggregation through a sensitive attribute enables the identification of broader patterns of unfairness. The aim of the work was to examine whether the developed methods can detect different forms of unfair patterns in two synthetic datasets and one real dataset. The results show that each method detects unfairness according to its conceptual approach. The first method is showing higher average values on synthetic datasets, while the second method on the real dataset. A comparison of weighted and unweighted results shows that weighting contributes to a clearer and more comparable interpretation of perceived differences between groups. nepravičnost v strojnem učenju razložljiva umetna inteligenca (XAI) pravičnost v umetni inteligenci post-hoc pristop pojasnjevalni modeli unfairness in machine learning explainable artificial intelligence (XAI) fairness in artificial intelligence post-hoc approach surrogate models true true false [N. Mlinarič] Slovenski jezik Angleški jezik Magistrsko delo/naloga 2026-02-13 11:30:09 2026-03-03 12:40:48 2026-03-25 03:13:47 0000-00-00 00:00:00 2026 0 Maribor 0 Maribor 1 spletni vir (1 datoteka PDF (VII, 57 str.)) 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 004.85(043.2) 272809987 MAG_Mlinaric_Nejc_2026.pdf MAG_Mlinaric_Nejc_2026.pdf 1 B6C984219068FF3B720F9AF874A55345 3e69e13cae79d1e757c2d7f8d646dd4459249403baf3c9c2e3735817ddda2203 dec66b8f-0fef-11f1-b4cf-00155d580e1a https://dk.um.si/Dokument.php?lang=slv&id=203626 Fakulteta za elektrotehniko, računalništvo in informatiko 0 0 0