Khaled Badran, Pierre-Olivier Côté, Amanda Kolopanis, Rached Bouchoucha, Antonio Collante, Diego Elias Costa, Emad Shihab et Foutse Khomh
Article de revue (2023)
Un lien externe est disponible pour ce document
Afficher le résumé
Cacher le résumé
Abstract
In this work, we evaluate three popular fairness preprocessing algorithms and investigate the potential for combining all algorithms into a more robust preprocessing ensemble. We report on lessons learned that can help practitioners better select fairness algorithms for their models.
| Matériel d'accompagnement: | |
|---|---|
| Département: | Département de génie informatique et génie logiciel |
| URL de PolyPublie: | https://publications.polymtl.ca/53636/ |
| Titre de la revue: | Computer (vol. 56, no 4) |
| Maison d'édition: | IEEE |
| DOI: | 10.1109/mc.2022.3220707 |
| URL officielle: | https://doi.org/10.1109/mc.2022.3220707 |
| Date du dépôt: | 10 juil. 2023 16:30 |
| Dernière modification: | 26 janv. 2026 10:49 |
| Citer en APA 7: | Badran, K., Côté, P.-O., Kolopanis, A., Bouchoucha, R., Collante, A., Costa, D. E., Shihab, E., & Khomh, F. (2023). Can ensembling preprocessing algorithms lead to better machine learning fairness? Computer, 56(4), 71-79. https://doi.org/10.1109/mc.2022.3220707 |
|---|---|
Statistiques
Dimensions
Actions réservées au personnel
|
Afficher document |
