Submitted 16 August, 2024; originally announced August 2024. , Comments: This paper has been accepted by the 2024 IEEE International Conference on Systems, Man, and Cybernetics (SMC 2024)
توضیحات به فارسی
ارائه شده 16 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: این مقاله توسط کنفرانس بین المللی IEEE در زمینه سیستم ها ، انسان و سایبرنتیک پذیرفته شده است (SMC 2024)
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Its crux lies in the optimization of a tradeoff between accuracy and fairness of resultant models on the selected feature subset. The technical challenge of our setting is twofold: 1) streaming feature inputs, such that an informative feature may become obsolete or redundant for prediction if its information has been covered by other similar features that arrived prior to it, and 2) non-associational feature correlation, such that bias may be leaked from those seemingly admissible, non-protected features. To overcome this, we propose Streaming Feature Selection with Causal Fairness (SFCF) that builds two causal graphs egocentric to prediction label and protected feature, respectively, striving to model the complex correlation structure among streaming features, labels, and protected information. As such, bias can be eradicated from predictive modeling by removing those features being causally correlated with the protected feature yet independent to the labels. We theorize that the originally redundant features for prediction can later become admissible, when the learning accuracy is compromised by the large number of removed features (non-protected but can be used to reconstruct bias information). We benchmark SFCF\ on five datasets widely used in streaming feature research, and the results substantiate its performance superiority over six rival models in terms of efficiency and sparsity of feature selection and equalized odds of the resultant predictive models.
چکیده به فارسی (ترجمه ماشینی)
CRUX آن در بهینه سازی مبادله بین دقت و انصاف مدل های حاصل در زیر مجموعه ویژگی های انتخاب شده نهفته است.چالش فنی تنظیمات ما دو برابر است: 1) ورودی های ویژگی جریان ، به گونه ای که اگر اطلاعات آن توسط سایر ویژگی های مشابه که قبل از آن وارد شده است ، ممکن است یک ویژگی آموزنده برای پیش بینی منسوخ یا اضافی شود.همبستگی ، به گونه ای که ممکن است تعصب از ویژگی های به ظاهر قابل قبول و غیر محافظت شده بیرون بیاید.برای غلبه بر این ، ما انتخاب ویژگی های جریان را با انصاف علّی (SFCF) پیشنهاد می کنیم که به ترتیب دو نمودار علیت خودجوش را به برچسب پیش بینی و ویژگی های محافظت شده تبدیل می کند ، به ترتیب ، سعی در مدل سازی ساختار همبستگی پیچیده در بین ویژگی های جریان ، برچسب ها و اطلاعات محافظت شده است.به این ترتیب ، با از بین بردن این ویژگی ها با ویژگی محافظت شده و در عین حال مستقل از برچسب ها ، می توان تعصب را از مدل سازی پیش بینی ریشه کن کرد.ما این نظریه را تصور می کنیم که ویژگی های اصلی برای پیش بینی می توانند بعداً قابل قبول باشند ، هنگامی که دقت یادگیری با تعداد زیادی از ویژگی های حذف شده به خطر می افتد (غیر محافظت شده اما می تواند برای بازسازی اطلاعات تعصب استفاده شود).ما SFCF \ را در پنج مجموعه داده که به طور گسترده در تحقیقات ویژگی های جریان استفاده می شود ، معیار می کنیم و نتایج آن را برتری عملکرد آن نسبت به شش مدل رقیب از نظر کارایی و کمبود انتخاب ویژگی ها و شانس برابر با مدل های پیش بینی کننده نتیجه نشان می دهد.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
