Abstrait

Exploration des biais dans l'algorithme FOLD-R++ : une analyse complète

Raaghav Ramamoorthy*

L'apprentissage automatique étant utilisé dans de nombreuses applications, les algorithmes d'intelligence artificielle suscitent encore plus d'inquiétudes. Cet article se concentre sur l'analyse des biais incorporés dans une configuration comme FOLD-R++. Les résultats sont importants pour le monde universitaire et l'industrie dans la définition d'un algorithme d'apprentissage automatique juste et neutre. L'article contient une revue exhaustive de la littérature sur les biais dans l'apprentissage automatique et une explication détaillée.

Le chapitre réexamine les études précédentes sur l'efficacité de cet algorithme, en mettant au jour les limites de la littérature antérieure et en encourageant davantage de recherches. Cela implique de choisir délibérément un ensemble de données de Kaggle, des mesures appliquées pour évaluer l'algorithme et une conception expérimentale détaillée. Les résultats de ces tests de différents scénarios de test ont montré que l'algorithme est correct mais vulnérable aux biais et efficace dans différents domaines. Les résultats sont discutés et des comparaisons avec ce qui est disponible dans le tableau concernant les algorithmes biaisés par le système sont effectuées. En conclusion, cette étude contribue à la littérature existante sur l'apprentissage automatique et met en évidence certaines lacunes concernant l'utilisation de l'algorithme FOLD-R++. Ainsi, elle démontre la nécessité de s'attaquer aux problèmes d'inégalités inexpliquées et de développer des algorithmes fiables pour la prise de décision. L'étude reconnaît ces lacunes dans la mesure où elle devient une étape vitale vers le développement d'un apprentissage automatique plus justifié.