Técnicas de aprimoramento de equidade em aprendizado: uma revisão sistemática de literatura

Kuhn, Nubia Stein

http://hdl.handle.net/10400.26/43144

Use this identifier to reference this record.

Name:	Description:	Size:	Format:
Nubia_Kuhn.pdf		1.31 MB	Adobe PDF	Download

Send Feedback

Authors

Kuhn, Nubia Stein

Advisor(s)

Ribeiro, António Rui Trigo

Belfo, Fernando Paulo dos Santos Rodrigues

Abstract(s)

Decisões baseadas em algoritmos de aprendizado de máquina podem reproduzir tendências ou preconceitos presentes em dados históricos enviesados, oferecendo graves consequências sociais a grupos de indivíduos mal representados. Tendo como motivação principal poder contribuir para combater os preconceitos e vieses em aprendizado de máquina, esta dissertação tem como questão de investigação central a identificação de técnicas para o aprimoramento da equidade em aprendizado de máquina, através da realização de uma revisão sistemática de literatura sobre este tema. Com base no método PRISMA, apresentamos a revisão sistemática de literatura efetuada, a qual identificou 15 estudos recentes, com propostas e abordagens técnicas focadas em aprimorar a equidade em sistemas algorítmicos. Os trabalhos selecionados foram publicados em inglês nos últimos cinco anos e foram classificados e discutidos de acordo com as métricas de equidade e desempenho, os estágios de intervenção (pré-processamento, processamento ou pós-processamento), os conjuntos de dados e algoritmos utilizados nos experimentos. Foram identificadas 48 técnicas para aprimorar a equidade em aprendizado de máquina, as quais se apresentam neste trabalho. Verificou-se que a maioria das publicações procura a equidade através da métrica de paridade demográfica, e no estágio de pré-processamento dos dados. Uma parte significativa das referidas técnicas foram desenvolvidas através de algoritmos de regressão logística e de Random Forest. Relativamente aos datasets utilizados, o UCI Adult e COMPAS são largamente explorados em experimentações sobre o tema, o que, se por um lado, permite uma maior uniformização quanto à interpretação dos resultados, por outro lado, pode representar uma limitação quanto aos grupos envolvidos e as variáveis exploradas. A identificação de padrões sobre experimentações em equidade algorítmica, tais como em relação a métrica, técnicas e datasets utilizados, contribui com uma visão mais unificada que ajuda a democratizar e a promover o tema.