Machine Learning,Cryptography and Security,یادگیری ماشین , رمزنگاری و امنیت ,
توضیحات
Submitted 16 September, 2024; v1 submitted 6 September, 2024; originally announced September 2024. , Comments: Saikrishna Badrinarayanan and Osonde Osoba contributed equally to this work. Updating text to indicate limitations of sample analyses
توضیحات به فارسی
ارائه شده 16 سپتامبر 2024 ؛V1 ارسال شده در 6 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: Saikrishna Badrinarayanan و Osonde Osoba به طور مساوی در این کار نقش داشتند.به روزرسانی متن برای نشان دادن محدودیت های تجزیه و تحلیل نمونه
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
AI fairness measurements, including tests for equal treatment, often take the form of disaggregated evaluations of AI systems. Such measurements are an important part of Responsible AI operations. These measurements compare system performance across demographic groups or sub-populations and typically require member-level demographic signals such as gender, race, ethnicity, and location. However, sensitive member-level demographic attributes like race and ethnicity can be challenging to obtain and use due to platform choices, legal constraints, and cultural norms. In this paper, we focus on the task of enabling AI fairness measurements on race/ethnicity for \emph{U.S. LinkedIn members} in a privacy-preserving manner. We present the Privacy-Preserving Probabilistic Race/Ethnicity Estimation (PPRE) method for performing this task. PPRE combines the Bayesian Improved Surname Geocoding (BISG) model, a sparse LinkedIn survey sample of self-reported demographics, and privacy-enhancing technologies like secure two-party computation and differential privacy to enable meaningful fairness measurements while preserving member privacy. We provide details of the PPRE method and its privacy guarantees. We then illustrate sample measurement operations. We conclude with a review of open research and engineering challenges for expanding our privacy-preserving fairness measurement capabilities.
چکیده به فارسی (ترجمه ماشینی)
اندازه گیری انصاف هوش مصنوعی ، از جمله آزمایشات برای درمان برابر ، اغلب به شکل ارزیابی های تفکیک شده از سیستم های AI انجام می شود.چنین اندازه گیری ها بخش مهمی از عملیات مسئول AI هستند.این اندازه گیری ها عملکرد سیستم را در گروه های جمعیتی یا زیر جمعیت ها مقایسه می کنند و به طور معمول به سیگنال های جمعیتی در سطح عضو مانند جنسیت ، نژاد ، قومیت و مکان نیاز دارند.با این حال ، ویژگی های جمعیتی حساس در سطح عضو مانند نژاد و قومیت می تواند به دلیل انتخاب پلتفرم ، محدودیت های قانونی و هنجارهای فرهنگی ، به دست آوردن و استفاده از آن چالش برانگیز باشد.در این مقاله ، ما به وظیفه فعال کردن اندازه گیری انصاف هوش مصنوعی در نژاد/قومیت برای \ emp {U.S می پردازیم.اعضای LinkedIn} به روشی حفظ حریم خصوصی.ما روش تخمین نژاد/قومیت احتمالی حریم خصوصی (PPRE) را برای انجام این کار ارائه می دهیم.PPRE ترکیب نام خانوادگی Bayesian GeoCoding (BISG) ، یک نمونه بررسی پراکنده لینکدین از جمعیت شناسی خود گزارش شده و فن آوری های تقویت حریم خصوصی مانند محاسبه ایمن دو حزب و حریم خصوصی دیفرانسیل را برای فعال کردن اندازه گیری های انصاف معنی داری در حالی که حفظ حریم خصوصی عضو است ، ترکیب می کند.ما جزئیات روش PPRE و ضمانت حریم خصوصی آن را ارائه می دهیم.سپس عملیات اندازه گیری نمونه را نشان می دهیم.ما با بررسی چالش های تحقیقاتی باز و مهندسی برای گسترش قابلیت های اندازه گیری انصاف حفظ حریم خصوصی خود نتیجه می گیریم.
📚 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
