Umfang

Dieses Thema kann als Teil einer Projektarbeit oder im Rahmen einer Masterarbeit bearbeitet werden.

Empfohlene Vorkenntnisse

  • Machine Learning
  • Evolutionäre Algorithmen/Genetische Programmierung
  • Algorithmische Fairness

Problemstellung

Künstliche Intelligenz und Machine Learning-Techniken werden ein zunehmend größerer Teil unseres Alltags. Jedoch sind solche Algorithmen stark von den Daten abhängig, mit welchen sie gefüttert wurden, welche oft einen bestimmten Bias gegenüber einigen Bevölkerungsschichten besitzen: Die Systeme diskriminieren.

Als Gegenbewegung ist die Forschung zur algorithmischen Fairness und fairem Machine Learning in den letzten Jahren stark gewachsen und es wurden diverse Verfahren entwickelt, um nicht-diskriminierende Klassifikatoren zu trainieren.

In dieser Arbeit soll der Ansatz der genetischen Programmierung (Buch “A Field Guide to Genetic Programming”) für die Erstellung fairer Entscheidungsbäume evaluiert werden. Die Fitnessfunktion der Individuen wäre entsprechend abhängig von der erreichten Accuracy als auch der erreichten Fairness auf einem gegebenen Testset.

Ein Vorteil dieser Methode wären die transparenten Entscheidungsregeln nach welchen ein Objekt klassifiziert wird, statt wie bei bspw. neuronalen Netzen die Entscheidung aus einer Blackbox zu bekommen.

Minimalanforderungen

  • Implementierung von Framework zur Generierung dieser Entscheidungsbäume
  • Proof of Concept:
    • Evaluation von Propagationsdauer
    • Evaluation von Ergebnissen

Variationen

  • Evaluation auf verschiedenen Datensets
  • Anwendbarkeit verschiedener Fairnesskonzepte
  • Erstellung anderer Modelle statt Entscheidungsbäumen
    • z.B. Markov-Modelle

Kontakt

Jannik Dunkelau
Raum 25.12.02.52 · jannik.dunkelau@hhu.de