Umeå universitets logga

umu.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Bias in machine learning - what is it good for?
Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för datavetenskap.ORCID-id: 0000-0001-7242-2200
Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för datavetenskap.ORCID-id: 0000-0001-7409-5813
Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för datavetenskap.
2020 (Engelska)Ingår i: NeHuAI 2020 : First International Workshop on New Foundations for Human-Centered AI: Proceedings of the First International Workshop on New Foundations for Human-Centered AI (NeHuAI) co-located with 24th European Conference on Artificial Intelligence (ECAI 2020) / [ed] Alessandro Saffiotti, Luciano Serafini, Paul Lukowicz, RWTH Aachen University , 2020, s. 3-10Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

In public media as well as in scientific publications, the term bias is used in conjunction with machine learning in many different contexts, and with many different meanings. This paper proposes a taxonomy of these different meanings, terminology, and definitions by surveying the, primarily scientific, literature on machine learning. In some cases, we suggest extensions and modifications to promote a clear terminology and completeness. The survey is followed by an analysis and discussion on how different types of biases are connected and depend on each other. We conclude that there is a complex relation between bias occurring in the machine learning pipeline that leads to a model, and the eventual bias of the model (which is typically related to social discrimination). The former bias may or may not influence the latter, in a sometimes bad, and sometime good way.

Ort, förlag, år, upplaga, sidor
RWTH Aachen University , 2020. s. 3-10
Serie
CEUR Workshop Proceedings, ISSN 1613-0073 ; 2659
Nyckelord [en]
bias, machine learning, taxonomy bias
Nationell ämneskategori
Data- och informationsvetenskap
Identifikatorer
URN: urn:nbn:se:umu:diva-174760OAI: oai:DiVA.org:umu-174760DiVA, id: diva2:1464244
Konferens
International Workshop on New Foundations for Human-Centered AI (NeHuAI) co-located with 24th European Conference on Artificial Intelligence (ECAI 2020), Virtual (Santiago de Compostela, Spain), September 4, 2020
Forskningsfinansiär
Vinnova, 2019-01930Tillgänglig från: 2020-09-04 Skapad: 2020-09-04 Senast uppdaterad: 2020-09-07Bibliografiskt granskad

Open Access i DiVA

fulltext(592 kB)362 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 592 kBChecksumma SHA-512
53fb4752c5726de4e6c5e38e82ca39be91d267e92c03dc6c5cda54448a5a7c66c1caaaf8d8d1c9c95840f8577fe55dfce612c6ce1d7fcd7c28a7308860051c63
Typ fulltextMimetyp application/pdf

Övriga länkar

URL

Person

Hellström, ThomasDignum, VirginiaBensch, Suna

Sök vidare i DiVA

Av författaren/redaktören
Hellström, ThomasDignum, VirginiaBensch, Suna
Av organisationen
Institutionen för datavetenskap
Data- och informationsvetenskap

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 362 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 2278 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf