Aplicação de otimização multi-objetivo em problemas de aprendizagem de máquinas para diminuição de discriminação
Carregando...
Data
2020-12
Autores
Orientador(res)
Poco, Jorge
Métricas
Título da Revista
ISSN da Revista
Título de Volume
Resumo
Um dos principais desafios ao criar um simulador do comportamento humano consiste em suprimir a perpetuação ao de vieses discriminatórios presentes na tomada de decisão humana. Diversas abordagens para lidar com tal problema já foram propostas na literatura de Inteligência Artificial. Tais propostas geralmente consistem na definição de métricas desenvolvidas para quantificar a discriminação decorrente de um modelo de inteligência artificial e na aplicação de tais métricas na geração do modelo de forma a limitar os efeitos discriminatórios gerados. Entretanto, a limitação da discriminação de um modelo faz com que o erro médio dele aumente, gerando um cenário de conflito entre essas métricas. Neste trabalho, propomos uma metodologia que utiliza de otimização multi-objetivo que simultaneamente otimiza o desempenho dos modelos e a qualidade da predição nos grupos sensíveis (que podem sofrer discriminação). Focando em problemas de classificação binária, buscamos encontrar o conjunto dos melhores modelos para tais métricas. Comparamos nossa abordagem com outras metodologias bem conhecidas da área, usando a Regressão Logística como referência de comparação. A metodologia proposta obteve resultados promissores, sendo capaz de diminuir a discriminação dos modelos de inteligência artificial conjuntamente com a manutenção do desempenho em acurácia.