Kuiz berkaitan panduan · Keras Tahap

Metrik Kesaksamaan AI: Pariti Demografi kepada Kuiz Odds Disamaratakan

Menguji pariti demografi, peluang yang sama dan kemungkinan yang sama dengan contoh pinjaman yang dikerjakan, keputusan kemustahilan dan alatan Fairlearn dan AIF360.

Laluan panduan yang berkaitanMetrik Kesaksamaan AI Dijelaskan
soalan 1 daripada 8

Dalam contoh pinjaman panduan, kumpulan A mempunyai kadar pemilihan 40% dan kumpulan B mempunyai kadar pemilihan 20%. Metrik manakah yang dilanggar ini?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Dalam contoh pinjaman panduan, kumpulan A mempunyai kadar pemilihan 40% dan kumpulan B mempunyai kadar pemilihan 20%. Metrik manakah yang dilanggar ini?
    • Peluang sama rata
    • pariti demografi
    • Penentukuran
    • Keadilan individu
  2. Peluang sama rata memerlukan kuantiti yang sama antara kumpulan?
    • Kadar positif palsu
    • Kadar pemilihan
    • Kadar positif sebenar
    • Nilai ramalan positif
  3. Apakah kemungkinan yang disamakan ditambah di atas peluang yang sama?
    • Kadar positif palsu yang sama
    • Kadar pemilihan yang sama
    • Saiz kumpulan yang sama
    • Kadar asas yang sama
  4. Dalam contoh, kadar positif palsu kumpulan B ialah 6 daripada 80. Mengapakah penyebutnya 80?
    • Ia adalah bilangan pemohon yang diluluskan
    • Ia adalah jumlah penduduk kedua-dua kumpulan
    • Ia adalah 100 tolak 20 pemohon yang diluluskan
    • Ia adalah bilangan pemohon kumpulan B yang tidak akan membayar balik
  5. Apakah hasil kemustahilan daripada Chouldechova dan Kleinberg et al. katakan?
    • Tiada model boleh tepat untuk lebih daripada satu kumpulan
    • Apabila kadar asas berbeza, pengelas yang tidak sempurna tidak dapat memenuhi pariti ramalan atau penentukuran bersama-sama dengan kadar positif palsu dan negatif palsu yang sama
    • Pariti demografi sentiasa membayangkan kemungkinan yang sama
    • Metrik kesaksamaan hanya digunakan pada model linear
  6. Mengapakah mengalih keluar atribut yang dilindungi daripada input tidak menjamin keadilan?
    • Model sentiasa menambah atribut kembali secara automatik
    • Undang-undang memerlukan atribut untuk disertakan
    • Proksi berkorelasi seperti kod zip boleh membawa maklumat yang sama
    • Mengalih keluar ciri sentiasa merendahkan ketepatan kepada sifar
  7. Teknik manakah yang memilih ambang khusus kumpulan, kadangkala rawak, untuk menyamakan kadar positif benar dan palsu?
    • Pemprosesan pasca Hardt et al., tersedia sebagai ThresholdOptimizer Fairlearn
    • AIF360 Menimbang semula
    • Pengaturan keciciran
    • Analisis komponen utama
  8. Mengapakah metrik kesaksamaan harus dilaporkan dengan selang keyakinan dan untuk subkumpulan persimpangan?
    • Kerana peraturan empat perlima memerlukan tepat tiga tempat perpuluhan
    • Kerana kumpulan persimpangan sentiasa mempunyai kadar yang sama
    • Kerana Fairlearn tidak boleh mengira anggaran mata
    • Kerana kumpulan kecil membuat anggaran kadar bising, dan model boleh kelihatan adil pada atribut tunggal sambil gagal menggabungkannya