Rapport sur les biais, la discrimination et l’équité des algorithmes
À partir de quel moment un biais devient-il une discrimination illégale ?
L’équité est souvent mesurée en comparant les courbes de rendement. Mais cela ne raconte qu’une facette de l’histoire.
Publication sur l’apprentissage des fonctions de notation équitables : Définitions, algorithmes et limites de généralisation de l’équité pour le classement bipartite.
Publications de l’axe
Dans la presse
Reconnaissance faciale à distance ou locale : les enjeux éthiques
Confiance numérique, Data science & IA, Enseignants-chercheurs — 09/03/2020Il existe de nombreux usages de la reconnaissance faciale, comme la [...]
«L’éthique dans les algorithmes : des défis titanesques»
Confiance numérique, Enseignants-chercheurs — 07/12/2019Deux chercheurs de Télécom Paris, David Bounie et Winston Maxwell, décrivent dans une [...]
Algorithmes : biais, discrimination et équité
Confiance numérique, Data science & IA, Enseignants-chercheurs — 26/02/2019Les algorithmes s’immiscent de plus en plus dans notre quotidien, à l’image des [...]
Autres publications
- Learning Fair Scoring Functions: Fairness Definitions, Algorithms and Generalization Bounds for Bipartite Ranking, feb 2020, Télécom Pairs, Institut Polytechnique de Paris. [Télécharger le PDF, version anglaise]
