公平性、差异性、均衡性的衡量方法

最新推荐文章于 2024-03-16 14:38:50 发布
最新推荐文章于 2024-03-16 14:38:50 发布
阅读量3k 收藏 3
点赞数 1
分类专栏： 社会科学方法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_35269774/article/details/119443875
版权

均衡发展

差异性和公平性的度量指标

极值、极差，均值，标准差等总体

变异系数

基尼系数

变体非常多

Dagum基尼系数及其按子群分解方法

泰勒指数

空间聚集性

莫兰指数

分析方法

如何层层推进，层层递进，揭示发展特征、发展趋势和演进过程，如何把握分析框架是关键。

全国和区域内，区域间两个维度

时序变化和空间格局

评价指标体系

合理搭建一套评估体系全面，多维度揭示发展心态是关键。

我国高中阶段教育资源配置的地区差异、动态演进与趋势预测

评价方法

1.熵权法
2. 因子分析

3.Kernel密度估计

在这里插入图片描述

Markov链方法

动态演进过程

文献推荐

普通高中教育经费地区差异研究———基于 2007—2016 年的数据

推荐系统中的公平性：避免信息茧房和偏见推荐
AI天才研究院
08-04 908
推荐系统中的公平性：避免信息茧房和偏见推荐 1. 背景介绍 1.1 推荐系统的普及与影响 推荐系统已经广泛应用于各个领域,如电商、社交媒体、新闻资讯等。它通过分析用户的历史行为和偏好,为用户推荐感兴趣的内容或商品,提高用户体
论文阅读-Fairness-aware Personalized Ranking Recommendation viaAdversarial Learning
qq_40313533的博客
11-10 1580
摘要 推荐算法通常基于历史用户-项目交互（例如，点击、喜欢或评级）构建模型，以提供个性化的项目排序列表。由于用户偏好的不同，这些交互通常不均匀地分布在不同的项目组上。然而，作者表明，推荐算法可以继承甚至放大这种不平衡的分布，导致对项目组的不公平推荐。具体地说，作者将基于排名的统计均等（statistical parity）和机会均等（equal opportunity）的概念形式化为项目组个性化排名推荐中公平的两个衡量标准。然后，经验表明，最广泛采用的算法之一——贝叶斯个性化排序——产生了不公平的推荐，这
衡量两个概率分布之间的差异性的指标
FY_2018的博客
02-08 4755
衡量两个概率分布之间的差异性的指标 衡量两个概率分布之间的差异性的指标 KL散度（Kullback–Leibler divergence） JS散度（Jensen-Shannon divergence） 交叉熵（Cross Entropy） Wasserstein距离 衡量两个概率分布之间的差异性的指标 总结一下衡量两个概率分布之间的差异性的指标，这里只是简单涉及到了KL散度、JS散度、交叉熵...
【ICDM 2022教程】图挖掘中的公平性:度量、算法和应用
数据派THU
01-08 396
来源：专知 本文为书籍介绍，建议阅读5分钟 本教程全面概述了在测量和减轻图挖掘算法中出现的偏差方面的最新研究进展。图数据在现实世界的各种应用中无处不在。为了更深入地理解这些图，图挖掘算法多年来发挥了重要作用。然而，大多数图挖掘算法缺乏对公平性的考虑。因此，它们可能对某些人口次群体或个人产生歧视性的结果。这种潜在的歧视导致社会越来越关注如何缓解图挖掘算法中表现出的偏见。本教程全面概述了在测量和减轻图...
SequoiaDB巨杉数据库-数据均衡的判断
weixin_48909806的博客
01-12 421
数据是否均衡，可以从集合空间级别和集合级别这两个级别判断。集合空间级别可以定位集合空间内数据是否失衡并作为参考数据，详细的数据均衡判断需要在集合级别进行。 更多信息请访问巨杉数据库官网 ...
推荐系统公平性衡量指标——统计奇偶性、平等机会
最新发布
m0_58979029的博客
03-16 609
在推荐系统中，平等机会指标通常关注的是对于某个特定属性（如阳性类别）的用户，推荐系统是否为他们提供了相似的机会（即有相似的推荐概率）。：统计奇偶性指标关注的是推荐结果在不同用户群体之间的分布是否相对均衡。在推荐系统中，一个常见的统计奇偶性指标是通过比较不同群体（如性别、年龄、种族等）中获得推荐的比例来评估公平性。在推荐系统公平性中，统计奇偶性和平等机会是两种常用的公平性指标。较小，则说明对于购买该产品，男性和女性用户具有相似的机会，符合平等机会。较小，则说明在推荐结果中性别之间的差异较小，符合统计奇偶性。
Q 统计量的计算
热门推荐
zakachen的专栏
07-29 1万+
Q统计量和ROC曲线或者AUC统计量均是衡量分类器差别的重要统计量，ROC曲线可以由相关R包直接调用，本文用简单几行代码实现Q统计量的计算，具体文献可以参考Measures of Diversity in Classifier Ensembles and Their Relationship with the Ensemble Accuracy
机器学习中的公平性
梦码城博客中心
03-30 3147
机器学习公平性主要研究如何通过解决或缓解“不公平”来增加模型的公平性，以及如何确保模型的输出结果能够让不同的群体、个人都有平等的机会获得利益。然而，受文化和环境的影响，人们对公平性的理解存在一定的主观性。到目前为止，公平性尚未有统一的定义及度量指标。
认知无线电公平性仿真对比图
06-22
Jain's公平指数是衡量用户间速率差异的一种方法，而Gini系数则用于度量资源分配的不平等程度。 总之，认知无线电公平性的仿真对比图是一个强大的工具，它可以帮助研究人员和工程师理解不同公平策略的实际效果，并为...
大数据算法差异化影响评估的公平性标准-研究论文
06-09
本文描述并评估了几个竞争性群体和个人的公平统计标准，包括预测均等和均等错误率之间的数学冲突，这要求组织选择要满足的衡量标准。 群体公平和个体公平的统计概念之间的选择让人想起反歧视法针对群体不利做法的...
机器学习模型的衡量指标_在机器学习模型中衡量公平性
weixin_26731327的博客
10-15 3370
机器学习模型的衡量指标In our previous article, we gave an in-depth review on how to explain biases in data. The next step in our fairness journey is to dig into how to detect biased machine learning models.在上一篇文...
作业调度算法公平性保障：确保作业均衡执行的关键措施
接着，本文重点分析了公平性调度策略及其优化方法，并通过实际案例展示了算法在云计算和高性能计算环境中的应用。此外，本文还评估了公平性调度算法的性能，并提出了改进思路，包括特定场景的算法调整和结合机器学习...
数据不均衡 | 过拟合| 模型评价指标 | 分箱 | 模型融合
weixin_39915444的博客
10-22 2228
从数据角度 扩大数据集 数据集重采样 人工产生数据样本：SMOTE SMOTE算法的基本思想就是对少数类别样本进行分析和模拟，并将人工模拟的新样本添加到数据集中，进而使原始数据中的类别不再严重失衡。该算法的模拟过程采用了KNN技术，模拟生成新样本的步骤如下： 　　采样最邻近算法，计算出每个少数类样本的K个近邻; 　　从K个近邻中随机挑选N个样本进行随机线性插值; 　　构造新的少数类样本; 　　将新样本与原数据合成，产生新的训练集; 4. 基于异常检测的方式：把那些小类的样本作为异常点(ou..
机器学习公平性指标小结
威化饼的一隅
05-27 5190
文章目录前言一、Unawareness二、individual fairness三、group fairness1. disparate impact2. equal opportunity3. disparate mistreatment4. equal calibration总结 前言    机器学习系统中，如果模型的表现或模型的预测结果与敏感属性(性别、肤色等)有统计上的关联，那么这个机器学习系统就可能是不公平的：(1) Timbru等人发现一些商业的性别分类API中，白人的准确率明显高于有色人种；(
数据的离散程度的衡量方式
chumingqian的博客
02-21 9268
数据的离散程度:即衡量一组数据的分散程度如何，其衡量的标准和方式有很多，而具体选择哪一种方式则需要依据实际的数据要求进行抉择。
One vs One Mitigation of Intersectional Bias
大肉包的博客
11-05 338
题目：交叉偏差的一对一缓解：扩展公平感知二元分类的一般方法 用以发现交叉偏差并消减交叉偏差。 研究背景： 如图1所示： 男性和女性，白人和非白人在大体上的接受率基本相同，但是可以明显看到非白人女性占有率0%，存在明显的歧视性，即一个受保护的群体在整体上似乎受到公平对待，受保护群体的一部分也可能受到不公平对待。 研究问题：交叉偏差就是存在两个或多个敏感属性，这些敏感属性之间存在一定的关联，这种关联影响了系统的结果，导致结果存在不均衡问题，即出现歧视性。 创新点：1.提出了One-vs.-One
人工智能简介
weixin_44914455的博客
08-05 874
1、人工智能导论 欢迎来到AI道德课程！ 人工智能对从社交媒体到医疗保健的方方面面都产生了越来越大的影响。人工智能用于做出信用卡决策，在机场进行视频监控，并通知军事行动。这些技术有可能伤害或帮助他们所服务的人。通过运用伦理视角，我们可以努力识别这些技术可能对人类造成的危害，我们可以设计和建造它们来减少这些危害，或者决定不建造它们。 本课程没有任何先决条件，我们也没有任何编程背景。 您的导师Var Shankar（曾在工业领域从事人工智能道德研究）和Alexis Cook（曾设计和培训人工智能模型）合
如何做组间差异检验_组间差别是多少？——两样本均数差及可信区间估计
weixin_42520796的博客
01-12 7123
治疗性研究是临床研究一个永恒的主题，对临床大夫来说，最关心就是患者来了，应该如何治疗，当临床治疗方案不唯一时如何做出最优的临床决策。我们做临床治疗性决策的时候相信大家都会看治疗性研究的文献，参考研究结果中不同治疗方案差别的比较及假设检验的结果。那么我们自己开展治疗性研究的时候应该如何展示研究结果呢？可以选择方法有很多，但相信最为常见的是下图展示的，当效应的评价指标是分类变量时，我们用卡方...
类别不平衡问题 —— 各种评估指标
qq_39368007的博客
05-10 4079
类别不平衡问题 在二分类问题中，通常假设正负类别相对均衡（混淆矩阵），然而实际应用中类别不平衡的问题，如100, 1000, 10000倍的数据偏斜是非常常见的，比如疾病检测中未患病的人数远超患病的人数，产品质量检测中合格产品数量远超不合格产品等。在检测信用卡欺诈问题中，同样正例的数目稀少，而且正例的数量会随着时间和地点的改变而不断变化，分类器要想在不断变化的正负样本中达到好的检测效果是非常...
优化模型：试卷均衡分配与评阅公平性研究
这种方法通过对分数进行比例化处理，使得不同评委的评分能在同一尺度上进行比较，从而提高了评分的公平性和准确性。此外，作者还考虑到了评委打分的偏度差，即评分的集中趋势与期望值的偏离，建立了反评判指标体系，...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值