خرید و دانلود ترجمه فارسی مقاله کاتالوگی از شیوه های عادلانه در مهندسی یادگیری ماشین

چکیده

Machine learning’s widespread adoption in decision-making processes raises concerns about fairness, particularly regarding the treatment of sensitive features and potential discrimination against minorities. The software engineering community has responded by developing fairness-oriented metrics, empirical studies, and approaches. However, there remains a gap in understanding and categorizing practices for engineering fairness throughout the machine learning lifecycle. This paper presents a novel catalog of practices for addressing fairness in machine learning derived from a systematic mapping study. The study identifies and categorizes 28 practices from existing literature, mapping them onto different stages of the machine learning lifecycle. From this catalog, the authors extract actionable items and implications for both researchers and practitioners in software engineering. This work aims to provide a comprehensive resource for integrating fairness considerations into the development and deployment of machine learning systems, enhancing their reliability, accountability, and credibility.

چکیده به فارسی (ترجمه ماشینی)

اتخاذ گسترده یادگیری ماشین در فرآیندهای تصمیم گیری ، نگرانی هایی در مورد انصاف ، به ویژه در مورد درمان ویژگی های حساس و تبعیض احتمالی علیه اقلیت ها ایجاد می کند.جامعه مهندسی نرم افزار با توسعه معیارهای انصاف گرا ، مطالعات تجربی و رویکردها پاسخ داده است.با این حال ، در درک و طبقه بندی شیوه های انصاف مهندسی در طول چرخه یادگیری ماشین ، شکافی وجود دارد.در این مقاله یک کاتالوگ جدید از شیوه ها برای پرداختن به انصاف در یادگیری ماشین حاصل از یک مطالعه نقشه برداری سیستماتیک ارائه شده است.این مطالعه 28 روش از ادبیات موجود را مشخص و طبقه بندی می کند ، و آنها را در مراحل مختلف چرخه یادگیری ماشین ترسیم می کند.از این کاتالوگ ، نویسندگان موارد و پیامدهای عملی را برای محققان و پزشکان در مهندسی نرم افزار استخراج می کنند.این کار با هدف ارائه یک منبع جامع برای ادغام ملاحظات انصاف در توسعه و استقرار سیستم های یادگیری ماشین ، افزایش قابلیت اطمینان ، پاسخگویی و اعتبار آنها انجام می شود.