05 Fakultät Informatik, Elektrotechnik und Informationstechnik

Permanent URI for this collectionhttps://elib.uni-stuttgart.de/handle/11682/6

Browse

End date: 2023Author: search.filters.author.Oppold, Sarah

Search Results

Now showing 1 - 2 of 2
  • Thumbnail Image
    ItemOpen Access
    Visuelle Auswahl von Ontologiebestandteilen
    (2014) Oppold, Sarah
    Semantische Daten gewinnen immer mehr an Bedeutung, doch es bleibt selbst für erfahrene Anwender schwer, SPARQL-Anfragen an RDF-Endpoints zu senden. Dies liegt nicht nur an der komplexen Syntax von SPARQL, sondern auch an den RDF-Daten selbst, denn die Ressourcen sind über URIs eindeutig identifizierbar. Diese sind aber für Menschen zu komplex um sie sich merken zu können und es ist auch nur selten möglich sie selbst zu erschließen. Deshalb wurde in dieser Arbeit zunächst ein Konzept für eine Visualisierung entwickelt, mit der man Ressourcen in RDF-Graphen finden kann. Dieses setzt Subgraphen ein, die der Nutzer inkrementell nach seinen Bedürfnissen erweitern kann um die Daten zu erforschen und einem Suchfeld um gezielt Ressourcen zu suchen. Das Konzept wurde in einem WPF-Prototypen umgesetzt und mit Hilfe einer kleinen Studie überprüft. Durch die Studie stellte sich heraus, dass der im Konzept entwickelte Subgraphen zu schnell zu komplex wird um von unerfahrenen Nutzern leicht verstanden zu werden. Doch das Prinzip wurde überwiegend als sinnvoll bewertet. Darüber hinaus wurden Möglichkeiten vorgestellt, wie man das Konzept an diesen Stellen anpassen könnte um den Bedürfnissen der Nutzer gerecht zu werden. Auch die Suchleiste wurde als sinnvoll, wenn auch verbesserbar erachtet.
  • Thumbnail Image
    ItemOpen 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.