Améliorer la généralisation de l'équité en apprentissage grâce à l'Optimisation Distributionnellement Robuste - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2021

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

Résumé

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
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

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

Identifiants

  • HAL Id : hal-03249522 , version 1

Citer

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⟩
123 Consultations
93 Téléchargements

Partager

Gmail Facebook X LinkedIn More