Iosifidis, VasileiosHölldobler, Steffen2022-01-142022-01-142021978-3-88579-775-3https://dl.gi.de/handle/20.500.12116/37898Heutzutage gibt es eine Fülle von Daten, was aber nicht gleichbedeutend mit mehr Informationen ist. Die Datenqualität ist ein wichtiges Thema, da Algorithmen für maschinelles Lernen auf Daten basieren. Wir untersuchen das Class-Imbalance-Problem, das Algorithmen für maschinelles Lernen dramatisch beeinträchtigt. Es führt dazu, dass KI-Modelle effektiv eine bestimmte Klasse lernen, während sie andere Klassen aufgrund von schiefen Label-Verteilungen ignorieren. Dies führt dazu, dass Modelle des maschinellen Lernens, die in Bereichen mit großer gesellschaftlicher Bedeutung eingesetzt werden, Gruppen von Menschen oder Individuen, die in den Daten nicht gut repräsentiert sind, voreingenommen gegenüberstehen. In dieser Arbeit wird die Klassenungleichheit beim fairnessbasierten Lernen untersucht. Unsere Methoden bekämpfen die Klassenungleichheit und liefern faire Ergebnisse für unterrepräsentierte Personen, die von Algorithmen diskriminiert werden.deText/Conference Paper