Umeå universitets logga

The opaque nature of machine learning systems has raised concerns about whether these systems can guarantee fairness. In addition, ensuring fair decision-making requires that multiple perspectives of fairness be considered.

Currently, there is no agreement on the definitions, the facilitation of shared interpretation is difficult, and there is a lack of a unified formal language to describe them. Current definitions are implicit in the operationalization of systems, making them difficult to compare.

In this thesis, we discuss how to make fairness actionable, providing concrete tools for that. We provide not only conceptual elements to model and abstract problems of fairness, but also a technical framework and a description language.

Den opaka naturen hos maskininlärningssystem väcker oro kring om dessa system kan garantera rättvisa. Dessutom kräver rättvis beslutsfattande att flera perspektiv på rättvisa beaktas.

För närvarande finns det ingen enighet kring definitionerna, vilket försvårar delad tolkning, och det saknas ett enhetligt formellt språk för att beskriva dem. Nuvarande definitioner är inbyggda i hur systemen används, vilket gör dem svåra att jämföra.

I denna avhandling diskuterar vi hur rättvisa kan göras praktiskt tillämpbar och tillhandahåller konkreta verktyg för detta. Vi erbjuder både konceptuella element för att modellera och abstrahera rättviseproblem samt en teknisk ram och ett beskrivningsspråk.