Maximierung der Modell-Diversität in Modell-Ensembles für lokal faire Klassifikationen

Abstract

Algorithmen des maschinellen Lernens haben in den vergangenen Jahren zunehmend an Bedeutung gewonnen, doch ihr Einsatz in sensiblen Bereichen, wie Medizin oder Strafverfolgung, birgt die Gefahr, bestehende Vorurteile zu verstärken. Das faire maschinelle Lernen zielt darauf ab, Methoden zu entwickeln, um Ungerechtigkeiten in algorithmischen Vorhersagen zu erkennen und abzuschwächen. Diese Bachelorarbeit befasst sich mit der Entwicklung eines automatisierten Verfahrens, um die Diversität von Modell-Ensembles zu maximieren und die Auswirkungen der Diversität auf die Fairness der Klassifikationen zu untersuchen. Dabei werden die Quantifizierung der Diversität, die automatisierte Generierung von diversen Modell-Ensembles und die Auswirkungen von Diversität auf Fairness untersucht.