Key points are not available for this paper at this time.
A coleta automatizada de dados tem fomentado o uso de mineração de dados para detecção de intrusão e crime. De fato, bancos, grandes corporações, companhias de seguros, cassinos, etc. estão cada vez mais minerando dados sobre seus clientes ou funcionários com o objetivo de detectar potenciais intrusões, fraudes ou até mesmo crimes. Algoritmos de mineração são treinados com conjuntos de dados que podem ser tendenciosos em relação a gênero, raça, religião ou outros atributos. Além disso, a mineração é frequentemente terceirizada ou realizada em cooperação por várias entidades. Por essas razões, surgem preocupações com a discriminação. Potenciais intrusões, fraudes ou crimes devem ser inferidos a partir de comportamentos objetivos inadequados, em vez de atributos sensíveis como gênero, raça ou religião. Este artigo discute como limpar conjuntos de dados de treinamento e conjuntos de dados terceirizados de tal forma que regras de classificação legítimas ainda possam ser extraídas, mas regras discriminatórias baseadas em atributos sensíveis não possam.
Hajian et al. (Sex,) estudaram essa questão.