Browsing by Author "Lässig, Nico"

Now showing 1 - 3 of 3

Open Access
Choreographiesprachen mit Datenmodellierungsfähigkeiten : eine Übersicht
(2017) Lässig, Nico
In organisationsübergreifenden Geschäftsprozessen ist die Kommunikation zwischen den teilhabenden Diensten von zentraler Bedeutung. Choreographiesprachen liefern eine globale Sichtweise auf das Zusammenwirken der verschiedenen Dienste in solchen Geschäftsprozessen und legen den Fokus eben auf diese Kommunikation. Für die Modellierung von Choreographien existieren bereits eine Vielzahl an Sprachen, die jedoch aufgrund der unterschiedlichen Anforderungen oft unterschiedliche Modellierungskonstrukte und Eigenschaften haben. In dieser Arbeit sollen die existierenden Sprachen gefunden und im Anschluss miteinander verglichen und analysiert werden. Dafür werden Kriterien definiert, welche Choreographiesprachen erfüllen sollten. Es wird dabei besonders auf Datenmodellierungsaspekte eingegangen, da der Austausch von Daten ein wichtiger Faktor für die Interaktionen zwischen den verschiedenen Diensten ist.
Open Access
Entwicklung von fairen und personalisierten Machine Learning Modellen
(2020) Lässig, Nico
Die Nutzung von Machine Learning Modellen zur Vorhersage und Unterstützung von Entscheidungen spielt in der heutigen digitalen Zeit eine zentrale Rolle. Dabei werden die Machine Learning Modelle mithilfe von bereits existierenden Datensätzen trainiert. Ein Problem davon ist, dass einige dieser Datensätze diskriminierend sind. Das bedeutet, dass zum Beispiel Personen aufgrund ihres Geschlechts eine ungleiche Chance auf ein hohes Gehalt haben. Daraus resultiert, dass die trainierten Modelle in diesem Fall die Abhängigkeit vom Geschlecht zu dem Gehalt erlernen. Es gibt bereits einige Ansätze, welche versuchen diese Unfairness auszugleichen. Die bereits existierenden Ansätze berücksichtigen dabei jedoch lediglich, dass diese Ergebnisse über den kompletten Datensatz gesehen fair sind und berücksichtigen somit nur die globale Fairness. In dieser Masterarbeit werden zwei Algorithmen (NFD-ME und PFD-ME Algorithmus) mit jeweils zwei Varianten entwickelt und implementiert, welche die lokale Fairness von einzelnen Datenpunkten betrachten. Lokale Fairness ist die Fairness in lokalen Regionen eines Punktes. Zu der lokalen Region eines Punktes zählen andere Datenpunkte, welche sich in den Attributen stark ähneln. Unsere Ansätze gewährleisten eine bestmögliche Optimierung der lokalen Fairness durch die dynamische Auswahl der lokal am besten geeigneten Modelle. Dafür werden existierende Algorithmen aus den Bereichen der fairen Modell-Ensembles, sowie der dynamischen Modell-Ensembles, kombiniert. Diese werden ergänzt durch mehrere Metriken zur Messung der Fairness. Außerdem sind diese Algorithmen nicht auf ein binäres sensitives Attribut beschränkt, sodass diese Algorithmen vielseitig anwendbar sind. Im Anschluss werden unsere Algorithmen und ihre Varianten in der Evaluation mit bereits existierenden Algorithmen aus den Bereichen der fairen Modell-Ensembles, sowie dynamischen Modell-Ensembles, verglichen.
Open Access
Metrics and algorithms for locally fair and accurate classifications using ensembles
(2022) Lässig, Nico; Oppold, Sarah; Herschel, Melanie
To obtain accurate predictions of classifiers, model ensembles comprising multiple trained machine learning models are nowadays used. In particular, dynamic model ensembles pick the most accurate model for each query object, by applying the model that performed best on similar data. Dynamic model ensembles may however suffer, similarly to single machine learning models, from bias, which can eventually lead to unfair treatment of certain groups of a general population. To mitigate unfair classification, recent work has thus proposed fair model ensembles , that instead of focusing (solely) on accuracy also optimize global fairness . While such global fairness globally minimizes bias, imbalances may persist in different regions of the data, e.g., caused by some local bias maxima leading to local unfairness . Therefore, we extend our previous work by including a framework that bridges the gap between dynamic model ensembles and fair model ensembles. More precisely, we investigate the problem of devising locally fair and accurate dynamic model ensembles, which ultimately optimize for equal opportunity of similar subjects. We propose a general framework to perform this task and present several algorithms implementing the framework components. In this paper we also present a runtime-efficient framework adaptation that keeps the quality of the results on a similar level. Furthermore, new fairness metrics are presented as well as detailed informations about necessary data preparations. Our evaluation of the framework implementations and metrics shows that our approach outperforms the state-of-the art for different types and degrees of bias present in training data in terms of both local and global fairness, while reaching comparable accuracy.