Gráfico de Conceptos & Resumen usando Claude 3 Opus | Chat GPT4 | Gemini Adv | Llama 3:

Resumen:

1.-Cynthia Dwork es una renombrada científica informática que utiliza la ciencia informática teórica para abordar problemas sociales.

2.-Los algoritmos pueden ser injustos debido a datos de entrenamiento sesgados, sesgo histórico en etiquetas y características diferencialmente expresivas.

3.-La injusticia algorítmica tiene consecuencias significativas en el mundo real, como en servicios de protección infantil y predicción de reincidencia.

4.-Las definiciones de justicia de grupo, aunque populares, a menudo fallan bajo escrutinio comparadas con la justicia individual.

5.-El trabajo de Ilvento aproxima una métrica de similitud para la justicia individual utilizando conocimiento humano y teoría del aprendizaje.

6.-La multi-precisión logra justicia de grupo simultáneamente para grupos interseccionales definidos por una gran colección de conjuntos.

7.-Las funciones de puntuación producen probabilidades, pero el significado es poco claro para eventos no repetibles como la metástasis de tumores.

8.-La calibración en pronósticos requiere que las probabilidades predichas coincidan con las frecuencias observadas para cada valor predicho.

9.-La multi-precisión mantiene expectativas para conjuntos predefinidos; las soluciones varían sin datos de entrenamiento o restricciones adicionales.

10.-La teoría de la complejidad sugiere considerar todos los conjuntos computables eficientemente para capturar grupos históricamente desaventajados.

11.-La multi-precisión y la multi-calibración juntas apuntan a capturar todas las diferencias específicas de la tarea, semánticamente significativas.

12.-Los datos recopilados a menudo son diferencialmente expresivos para grupos aventajados vs. desaventajados.

13.-La clasificación subyace a muchas aplicaciones como triaje, admisiones y estrategias de acción afirmativa.

14.-La clasificación justa debe prevenir resultados obviamente injustos, por ejemplo, todo un grupo clasificado por encima de otro.

15.-La multi-precisión previene ciertas clasificaciones injustas; la multi-calibración es aún más fuerte.

16.-El enfoque debe estar en qué datos se recopilan y miden, ya que la injusticia a menudo reside allí.

17.-Ejemplos positivos y negativos computacionalmente indistinguibles sugieren asignar probabilidades de tasa base.

18.-La rica multi-calibración puede justificar tratar las predicciones como "verdad" pseudoaleatoria con respecto a los conjuntos definitorios.

19.-El aprendizaje de representación justa apunta a ocultar atributos sensibles mientras permite el entrenamiento estándar.

20.-Los enfoques adversariales censuran representaciones para lograr nociones de justicia de grupo como la paridad estadística.

21.-Las representaciones censuradas aprendidas pueden permitir el aprendizaje por transferencia a otras tareas de predicción.

22.-Las técnicas de censura pueden identificar comunalidades entre poblaciones para la generalización fuera de distribución.

23.-Los experimentos con datos sintéticos muestran promesa para aprender señales predictivas comunes entre poblaciones.

24.-Los algoritmos justos por sí solos no pueden abordar completamente la injusticia social.

25.-Los avances en el aprendizaje métrico permiten la justicia individual.

26.-La multi-calibración surgió como significativa para la puntuación justa, clasificación y comprensión de probabilidades individuales.

27.-La representación y la recopilación de datos son factores críticos en la justicia algorítmica.

28.-Las representaciones censuradas ofrecen un camino para generalizar entre poblaciones.

29.-Lograr una justicia verdaderamente "superhumana" sigue siendo un desafío abierto.

30.-Queda mucho trabajo para comprender profundamente la justicia y desarrollar soluciones fundamentadas, ampliamente aplicables.

Bóveda del Conocimiento construida porDavid Vivancos 2024