MARC

 008260126s2025        us                              c    eng  d
■001000017358149
■00520260202103651
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798314875780
■035    ▼a(MiAaPQ)AAI32092697
■035    ▼a(MiAaPQ)umichrackham006062
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aLin,  Yin.
■24510▼aEnabling  Responsible  Data  Science  Through  Multi-Dimensional  Data  Management
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a158  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-11,  Section:  A.
■500    ▼aAdvisor:  Jagadish,  H.  V.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aIn  today's  world,  data  is  collected  and  utilized  at  an  unprecedented  scale,  profoundly  influencing  society.  Big  data  enables  analyses  that  guide  high  stakes  decisions  and  supports  data-driven  systems.  While  the  benefits  of  big  data  are  significant,  the  challenges  extend  beyond  efficient  processing  and  storage;  as  data  scientists,  we  are  responsible  for  ensuring  that  data  applications  ethically  benefit  society.  Data  science  technologies  can  cause  harm  if  they  reinforce  inequities,  particularly  when  sensitive  data-such  as  data  linked  to  protected  characteristics  like  race  and  gender  is  mishandled.  This  dissertation  contributes  to  responsible  data  science  by  proposing  comprehensive  data  management  techniques  to  address  challenges  throughout  the  big  data  lifecycle.  These  approaches  aim  to  enhance  fairness,  transparency,  and  accountability  in  data  systems  while  considering  the  complexities  associated  with  multiple  protected  characteristics.  Firstly,  data  acquisition  often  results  in  the  underrepresentation  of  certain  populations,  which  risks  perpetuating  unfair  treatment  and  oversight  of  these  groups.  Obtaining  representative  samples  becomes  particularly  challenging  when  dealing  with  intersectional  subgroups.  We  propose  coverage  analysis  techniques  to  efficiently  identify  representation  bias  in  multi-table  databases,  guiding  data  users  toward  obtaining  more  representative  samples.  Secondly,  biases  embedded  in  historical  decisions  can  propagate  into  downstream  machine  learning  tasks,  resulting  in  unfair  predictions.  We  emphasize  the  importance  of  addressing  the  root  causes  of  unfairness  in  the  training  data.  We  propose  model  agnostic  data  pre-processing  techniques  to  effectively  detect  and  mitigate  biased  data  collection,  thereby  enhancing  ma-  chine  learning  fairness  across  subgroups.  Thirdly,  data  analytics  based  on  cherry-pick  generalizations  can  lead  to  misleading  insights,  diminishing  the  experiences  of  certain  subgroups  in  decision-making.  We  refine  these  generalizations  across  multiple  attributes  to  develop  a  framework  evaluating  their  appropriateness,  identify  subgroup  discrepancies,  and  promote  more  accurate  and  inclusive  representations  of  data.  Lastly,  when  a  data  analysis  pipeline  produces  unexpected  outputs,  it  is  the  responsibility  of  data  scientists  to  interpret  the  potential  sources  of  error.  We  propose  a  row-level  data  lineage  approach  to  enhance  pipeline  transparency,  enabling  them  to  trace  the  origins  of  issues.
■590    ▼aSchool  code:  0127.
■650  4▼aComputer  science
■650  4▼aInformation  science
■653    ▼aResponsible  data  science
■653    ▼aData  management
■653    ▼aDatabase
■653    ▼aAI  fairness
■690    ▼a0984
■690    ▼a0723
■690    ▼a0800
■71020▼aUniversity  of  Michigan▼bComputer  Science  &  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-11A.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358149▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books