MARC

 008260126s2025        us                              c    eng  d
■001000017358086
■00520260202103642
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798314873984
■035    ▼a(MiAaPQ)AAI32092550
■035    ▼a(MiAaPQ)umichrackham006076
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aLi,  Jinyang.
■24510▼aUnfairness  Detection  and  Evaluation  in  Data-Driven  Decision-Making  Algorithms
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a140  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-11,  Section:  B.
■500    ▼aAdvisor:  Jagadish,  H.  V.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aRecent  years  have  witnessed  a  surge  in  the  application  of  data-driven  algorithms  to  assist  human  decision-making  across  various  sectors,  including  industry,  government,  and  non-profit  organizations.  Many  of  these  applications  significantly  impact  our  daily  lives.  Concerns  are  growing  about  the  potential  biases  that  may  be  present  in  the  data,  amplified  in  the  algorithmic  processes,  or  introduced  by  the  algorithms  themselves.  Such  biases  have  been  observed  to  result  in  injustices,  particularly  against  specific  demographic  groups,  highlighting  the  need  for  careful  examination  and  correction.These  concerns  have  given  rise  to  a  recent  body  of  literature,  which  has  focused  primarily  on  biases  in  alphanumeric  relational  tables  and  consequent  biases  in  labels  applied  in  a  classification  task  (such  as  who  to  recruit).  This  thesis  focuses  on  developing  efficient  algorithms  to  detect  biases  within  richer,  more  complex  datasets  and  assesses  the  fairness  of  outcomes  in  algorithmic  tasks  beyond  simple  classification.  Specifically,  the  thesis  addresses  the  following  problems:Query  Refinement  for  Diversity  Constraints:  Relational  queries  frequently  define  candidate  pools  based  on  available  data  sources.  This  research  develops  techniques  to  minimally  modify  these  relational  queries,  ensuring  that  the  outcomes  meet  specified  diversity  constraints  for  data  groups  in  the  result  set.  The  objective  is  to  select  diverse  candidate  pools  without  compromising  the  core  selection  criteria.Under-representation  in  Ranking  Evaluation:  This  thesis  introduces  methods  to  detect  hidden  under-representation  in  algorithmic  rankings  without  pre-defined  protected  groups.  In  particular,  the  thesis  identifies  demographic  groups  disproportionately  under-represented  in  top-ranked  positions.Fairness  Evaluation  in  Data  Streams:  This  thesis  recognizes  the  overlooked  issue  of  fairness  measurement  in  dynamic  environments  by  proposing  algorithms  to  monitor  real-time  fairness  metrics  with  time  decay  for  classification  tasks  in  data  streams.  This  methodology  provides  a  continually  updated  reflection  of  fairness,  capturing  evolving  biases  effectively.
■590    ▼aSchool  code:  0127.
■650  4▼aComputer  science
■650  4▼aEngineering
■650  4▼aInformation  technology
■653    ▼aAlgorithmic  fairness
■653    ▼aData-driven  algorithms
■653    ▼aQuery  refinement
■653    ▼aUnder-representation
■653    ▼aData  stream  fairness
■690    ▼a0984
■690    ▼a0489
■690    ▼a0800
■690    ▼a0537
■71020▼aUniversity  of  Michigan▼bComputer  Science  &  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-11B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358086▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서