Fairness in der Künstlichen Intelligenz

Dieses Modul untersucht Fairness in der Künstlichen Intelligenz (KI), mit einem Schwerpunkt auf der Identifizierung und Minderung von Verzerrungen in KI-Systemen. Es behandelt die Quellen von Verzerrungen, Methoden zur Bewertung und Verbesserung der Fairness sowie die ethischen Implikationen von KI-Entscheidungen für verschiedene Bevölkerungsgruppen, mit dem Ziel, Gleichheit zu fördern und Diskriminierung in KI-Anwendungen zu verhindern.

Curriculum Builder

Brauchen Sie Hilfe? Klicken Sie hier für eine Anleitung.

Angwin, Julia, Jeff Larson, Surya Mattu und Lauren Kirchner. “Maschinelle Voreingenommenheit.” ProPublica, 23. Mai 2016.

https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing

Grira, Nizar und M. Crucianu. “Unüberwachtes und halbüberwachtes Clustering: Eine kurze Umfrage”, 2004.

https://www.semanticscholar.org/paper/Unsupervised-and-Semi-supervised-Clustering-%3A-a-%E2%88%97-Grira-Crucianu/acb799150e4cd3a75fe79ca262047612bd8e5194

Olteanu, Alexandra, Carlos Castillo, Fernando Diaz und Emre Kıcıman. “Soziale Daten: Vorurteile, methodische Fallstricke und ethische Grenzen.” Frontiers in Big Data 2 (11. Juli 2019): 13.

https://doi.org/10.3389/fdata.2019.00013

Mehrabi, Ninareh, Fred Morstatter, Nanyun Peng und Aram Galstyan. “Debiasing Community Detection: Die Bedeutung von niedrig verbundenen Knoten.” arXiv, 2019.

https://doi.org/10.48550/ARXIV.1903.08136

Fortunato, Santo und Darko Hric. “Community-Erkennung in Netzwerken: Ein Benutzerhandbuch.” Physikberichte 659 (2016): 1–44.

https://doi.org/10.1016/j.physrep.2016.09.002

Zhao, Jieyu, Tianlu Wang, Mark Yatskar, Vicente Ordonez und Kai-Wei Chang. “Männer kaufen auch gerne ein: Reduzierung der Verstärkung von geschlechtsspezifischen Vorurteilen mithilfe von Einschränkungen auf Korpusebene.” arXiv, 2017.

https://doi.org/10.48550/ARXIV.1707.09457

Mehrabi, Ninareh, Fred Morstatter, Nripsuta Saxena, Kristina Lerman und Aram Galstyan. “Eine Umfrage zu Voreingenommenheit und Fairness im maschinellen Lernen.” ACM Computing Surveys 54, Nr. 6 (13. Juli 2021): 1–35.

https://doi.org/10.1145/3457607