Khaled Badran, Pierre-Olivier Côté, Amanda Kolopanis, Rached Bouchoucha, Antonio Collante, Diego Elias Costa, Emad Shihab, Foutse Khomh
Article de revue (2023)
Accéder à ce document
Lien externe
Ce document n'est pas archivé dans PolyPublie, mais peut être consulté chez l'éditeur officiel
Résumé
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.
Département:
Matériel d'accompagnement:
Adresse URL de PolyPublie:
Titre de la revue
:
Computer
(
vol.
56
,
no
4
)
Maison d'édition:
IEEE
URL officielle:
OAI:
oai:publications.polymtl.ca:53636
ORCID
Date du dépôt:
10 juil. 2023 16:30
Dernière modification:
14 oct. 2026 14:11
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
