Metode za razlaganje nepravičnosti v strojnem učenju

Mlinarič, Nejc

| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Prva stran > Izpis gradiva

Izpis gradiva

Naslov:	Metode za razlaganje nepravičnosti v strojnem učenju
Avtorji:	ID Mlinarič, Nejc (Avtor) ID Karakatič, Sašo (Mentor) Več o mentorju... ID Colakovic, Ivona (Komentor)
Datoteke:	MAG_Mlinaric_Nejc_2026.pdf (2,57 MB) MD5: B6C984219068FF3B720F9AF874A55345
Jezik:	Slovenski jezik
Vrsta gradiva:	Magistrsko delo/naloga
Tipologija:	2.09 - Magistrsko delo
Organizacija:	FERI - Fakulteta za elektrotehniko, računalništvo in informatiko
Opis:	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.
Ključne besede:	nepravičnost v strojnem učenju, razložljiva umetna inteligenca (XAI), pravičnost v umetni inteligenci, post-hoc pristop, pojasnjevalni modeli
Kraj izida:	Maribor
Kraj izvedbe:	Maribor
Založnik:	[N. Mlinarič]
Leto izida:	2026
Št. strani:	1 spletni vir (1 datoteka PDF (VII, 57 str.))
PID:	20.500.12556/DKUM-97050
UDK:	004.85(043.2)
COBISS.SI-ID:	272809987
Datum objave v DKUM:	03.03.2026
Število ogledov:	166
Število prenosov:	44
Metapodatki:
Področja:	KTFMB - FERI
:	Kopiraj citat

Skupna ocena:	(0 glasov)
Vaša ocena:	Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:

Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Licence

Licenca:	CC BY-NC-ND 4.0, Creative Commons Priznanje avtorstva-Nekomercialno-Brez predelav 4.0 Mednarodna

Povezava:	http://creativecommons.org/licenses/by-nc-nd/4.0/deed.sl
Opis:	Najbolj omejujoča licenca Creative Commons. Uporabniki lahko prenesejo in delijo delo v nekomercialne namene in ga ne smejo uporabiti za nobene druge namene.
Začetek licenciranja:	13.02.2026

Sekundarni jezik

Jezik:	Angleški jezik
Naslov:	Methods for explaining unfairness in machine learning
Opis:	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.
Ključne besede:	unfairness in machine learning, explainable artificial intelligence (XAI), fairness in artificial intelligence, post-hoc approach, surrogate models

Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)

0 - 0 / 0

Ni komentarjev!

Nazaj