ترجمه فارسی مقاله FairQuant: تأیید و تعیین کمیت عادلانه بودن شبکه های عصبی عمیق

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی FairQuant: Certifying and Quantifying Fairness of Deep Neural Networks
عنوان مقاله به فارسی FairQuant: تأیید و تعیین کمیت عادلانه بودن شبکه های عصبی عمیق
نویسندگان Brian Hyeongseok Kim, Jingbo Wang, Chao Wang
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Software Engineering,یادگیری ماشین , مهندسی نرم افزار ,
توضیحات Submitted 4 September, 2024; originally announced September 2024. , Comments: To Appear In Proceedings of the 47th IEEE/ACM International Conference on Software Engineering (ICSE 2025)
توضیحات به فارسی ارسال شده در 4 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: برای حضور در مجموعه مقالات 47 مین کنفرانس بین المللی IEEE/ACM مهندسی نرم افزار (ICSE 2025)
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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.

🎯 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

We propose a method for formally certifying and quantifying individual fairness of deep neural networks (DNN). Individual fairness guarantees that any two individuals who are identical except for a legally protected attribute (e.g., gender or race) receive the same treatment. While there are existing techniques that provide such a guarantee, they tend to suffer from lack of scalability or accuracy as the size and input dimension of the DNN increase. Our method overcomes this limitation by applying abstraction to a symbolic interval based analysis of the DNN followed by iterative refinement guided by the fairness property. Furthermore, our method lifts the symbolic interval based analysis from conventional qualitative certification to quantitative certification, by computing the percentage of individuals whose classification outputs are provably fair, instead of merely deciding if the DNN is fair. We have implemented our method and evaluated it on deep neural networks trained on four popular fairness research datasets. The experimental results show that our method is not only more accurate than state-of-the-art techniques but also several orders-of-magnitude faster.

چکیده به فارسی (ترجمه ماشینی)

ما روشی را برای تأیید رسمی و کمیت انصاف فردی شبکه های عصبی عمیق (DNN) پیشنهاد می کنیم.انصاف فردی تضمین می کند که هر دو نفر که یکسان هستند به جز یک ویژگی قانونی محافظت شده (به عنوان مثال ، جنسیت یا نژاد) همان درمان را دریافت می کنند.در حالی که تکنیک های موجود وجود دارد که چنین تضمینی را ارائه می دهد ، آنها تمایل دارند که از عدم مقیاس پذیری یا دقت رنج می برند زیرا اندازه و بعد ورودی DNN افزایش می یابد.روش ما با استفاده از انتزاع در یک تجزیه و تحلیل مبتنی بر فاصله نمادین از DNN و به دنبال آن ، پالایش تکرار شده توسط خاصیت انصاف ، این محدودیت را غلبه می کند.علاوه بر این ، روش ما تجزیه و تحلیل مبتنی بر فاصله نمادین را از گواهینامه کیفی معمولی به صدور گواهینامه کمی ، با محاسبه درصد افرادی که خروجی طبقه بندی آنها به طور واقعی عادلانه است ، به جای تصمیم گیری در مورد اینکه آیا DNN منصفانه است ، بالا می برد.ما روش خود را پیاده سازی کرده ایم و آن را در شبکه های عصبی عمیق آموزش داده شده در چهار مجموعه داده تحقیق انصاف محبوب ارزیابی کرده ایم.نتایج تجربی نشان می دهد که روش ما نه تنها دقیق تر از تکنیک های مدرن است بلکه چندین مرتبه از عزا نیز سریعتر است.

📚 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.

🎯 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

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.