Algorithmic fairness in practice: data, models and interactions

dc.contributor
Universitat Pompeu Fabra. Departament de Tecnologies de la Informació i les Comunicacions
dc.contributor.author
Solans Noguero, David
dc.date.accessioned
2022-09-20T11:26:42Z
dc.date.available
2022-09-20T11:26:42Z
dc.date.issued
2022-09-14
dc.identifier.uri
http://hdl.handle.net/10803/675391
dc.description.abstract
The fast-growing adoption of technologies based on Machine Learning (ML), in addition to the large scale at which they operate, makes them a potential source of systematic discrimination against disadvantaged social groups. This thesis is framed within the topic of Algorithmic Fairness, which aims at detecting, characterizing and mitigating those inequalities replicated, amplified or created by such autonomous systems. The wide range of domains where ML systems are being incorporated drives the multidisciplinarity of this work, with contributions in fields as varied as social sciences in the study of Artificial Intelligence (AI), detection of mental health disorders or the real state market. At the same time, it contributes to different stages of the ML life-cycle, facilitating the creation of fairer ML-based systems. With the outcomes of this thesis, we expect to contribute to the further development of tools and mechanisms to assist practitioners into incorporating Algorithmic Fairness.
en_US
dc.description.abstract
La rápida adopción de tecnologías basadas en Aprendizaje Automático (ML según sus siglas en inglés), en adición a la larga escala a la que estos sistemas operan, los convierte en una fuente potencial de discriminación sistemática en contra de los grupos sociales más desfavorecidos. Esta tesis se enmarca dentro del campo de Justicia Algorítmica, que estudia la detección, caracterización y mitigación de desigualdades replicadas, amplificadas o creadas por sistemas automáticos. El amplio rango de dominios en los que se están incorporando sistemas basados en Aprendizaje Automático conlleva la multidisciplinaridad de este trabajo, con contribuciones al estado del arte de campos de la investigación tan variados como el estudio de la Inteligencia Artificial (AI) desde el campo de las ciencias sociales, la detección de problemas de salud mental o plataformas online que operan en el mercado inmobiliario. Al mismo tiempo, contribuye a distintas etapas del ciclo de vida de los modelos de Aprendizaje Automático, buscando facilitar la creación de modelos más justos. Con los resultados de esta tesis, esperamos contribuir al desarrollo de herramientas y mecanismos que permitan asistir a los profesionales a incorporar Justicia Algorítmica en sus desarrollos e investigaciones.
en_US
dc.description.abstract
La ràpida adopció de tecnologies basades en Aprenentatge Automàtic (ML segons les sigles en anglès), en addició a la llarga escala a què aquests sistemes operen, els converteix en una font potencial de discriminació sistemàtica en contra dels grups socials més desafavorits. Aquesta tesi s'emmarca dins del camp de Justícia Algorítmica, que estudia la detecció, caracterització i mitigació de desigualtats replicades, amplificades o creades per sistemes automàtics. L'ampli rang de dominis en què s'estan incorporant sistemes basats en Aprenentatge Automàtic comporta la multidisciplinaritat d'aquest treball, amb contribucions a l'estat de l'art de camps de recerca tan variats com l'estudi de la Intel·ligència Artificial (AI) des del camp de les ciències socials, la detecció de problemes de salut mental o plataformes en línia que operen al mercat immobiliari. Alhora, contribueix a diferents etapes del cicle de vida dels models d'aprenentatge automàtic, buscant facilitar la creació de models més justos. Amb els resultats d'aquesta tesi, esperem contribuir al desenvolupament d'eines i mecanismes que permetin assistir els professionals a incorporar Justícia Algorítmica als seus desenvolupaments i investigacions.
en_US
dc.format.extent
142 p.
en_US
dc.format.mimetype
application/pdf
dc.language.iso
eng
en_US
dc.publisher
Universitat Pompeu Fabra
dc.rights.license
L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by-nc/4.0/
dc.rights.uri
http://creativecommons.org/licenses/by-nc/4.0/
*
dc.source
TDX (Tesis Doctorals en Xarxa)
dc.subject
Algorithmic fairness
en_US
dc.subject
Machine learning
en_US
dc.subject
Discrimination
en_US
dc.subject
Algorithmic assessment
en_US
dc.subject
Justicia algorítmica
en_US
dc.subject
Aprendizaje automático
en_US
dc.subject
Discriminación
en_US
dc.subject
Evaluación algorítmica
en_US
dc.subject
Justícia Algorítmica
en_US
dc.subject
Aprenentatge automàtic
en_US
dc.subject
Discriminació
en_US
dc.subject
Avaluació algorítmica
en_US
dc.title
Algorithmic fairness in practice: data, models and interactions
en_US
dc.type
info:eu-repo/semantics/doctoralThesis
dc.type
info:eu-repo/semantics/publishedVersion
dc.subject.udc
62
en_US
dc.contributor.authoremail
david.solans@upf.edu
en_US
dc.contributor.director
Castillo, Carlos
dc.contributor.director
Calsamiglia, Caterina
dc.embargo.terms
cap
en_US
dc.rights.accessLevel
info:eu-repo/semantics/openAccess
dc.description.degree
Programa de doctorat en Tecnologies de la Informació i les Comunicacions


Documentos

tdsn.pdf

4.394Mb PDF

Este ítem aparece en la(s) siguiente(s) colección(ones)