Key points are not available for this paper at this time.
Il y a une inquiétude croissante au sein de la communauté d'apprentissage automatique et au-delà que l'intelligence artificielle (IA) fait face à une crise de biais et de discrimination qui nécessite une équité en IA de manière urgente. Alors que beaucoup ont commencé à travailler sur ce problème, la plupart des travaux existants dépendent de la disponibilité d'étiquettes de classe pour la définition d'équité donnée et l'algorithme, ce qui peut ne pas s'aligner sur l'utilisation dans le monde réel. Dans ce travail, nous étudions un problème d'équité en IA qui découle de l'écart entre la conception d'un modèle "équitable" en laboratoire et son déploiement dans le monde réel. Plus précisément, nous considérons la définition et l'atténuation de l'inéquité individuelle en présence de censure, où la disponibilité d'étiquettes de classe n'est pas toujours garantie en raison de la censure, ce qui s'applique largement à une diversité d'applications sensibles socialement dans le monde réel. Nous montrons que notre méthode est capable de quantifier et d'atténuer l'inéquité individuelle en présence de censure à travers trois tâches de référence, ce qui fournit les premiers résultats connus sur la garantie d'équité individuelle dans l'analyse de données censurées.
Zhang et al. (Mon,) ont étudié cette question.