导图社区 人工智能时代的数据隐私、垄断与公平
机器学习的公平性研究，人工智能时代的到来大数据中蕴含的价值被不断开发，一起来看人工智能时代的数据隐私、垄断与公平知识。
A Survey on Bias and Fairness in Machine Learning 机器学习中公平性和偏见的研究综述
网络空间安全中Web安全方向的实例，主要为服务器的安全，如防范IP、域名、SQL数据记录、XXS等信息的泄露或攻击
现代密码学的相关知识，内容有流密码、分组密码体制、公钥密码、密钥分配与密钥管理、网络加密与认证、可证明安全、密码协议、数字签名和认证协议、消息认证和哈希函数。
社区模板帮助中心，点此进入>>
互联网9大思维
组织架构-单商户商城webAPP 思维导图。
域控上线
python思维导图
css
CSS
计算机操作系统思维导图
计算机组成原理
IMX6UL(A7)
考试学情分析系统
人工智能时代的数据隐私、垄断与公平
摘要
背景
人工智能时代的到来
大数据中蕴含的价值被不断开发
问题愈发凸显
隐私泄露问题
数据垄断问题
算法决策中的公平问题
探讨隐私、垄断与公平
从数据发展的角度出发
产生环境
独特性
人工智能时代
逐一分析
问题现状
问题挑战
得出结论
不透明性
数据获取
数据使用
决策
解决举措
建立数据透明机制
引言
人们
对大数据决策
产生深度依赖
对自身数据
失去掌控权
数据生态中的伦理问题
用户数据的滥用问题
决策公平问题
问题导致
使用户遭受了
隐私威胁
非公平对待
用户与企业的信任危机
致使技术难以落地
自动驾驶
医疗健康预测
限制了
人工智能技术的发展
挖掘数据价值与尊崇人类伦理并不对立
相互影响
相互制约
最终达到动态平衡
本质分为两类问题
数据伦理问题
在数据收集使用过程中产生的伦理问题
主要表现
隐私问题
垄断问题
算法伦理问题
在算法决策过程中产生的伦理问题
公平问题
探讨当前伦理问题的本质
探索问题产生的数据环境
分析独特性
分析不同问题间的关联
进一步详细探讨
分析
其现状
其挑战
提出问题本质
大隐私观
不仅
通过技术
扰动
匿名
差分
实现保护
保证
在数据收集使用场景下
数据正确应用
算法正确决策
涵盖内容更广
战线更长
从数据发展看伦理问题
数据隐私问题
相关事件
自动化招聘系统
存在性别歧视
图形识别软件
将键盘鼠标等与男性结合
将厨房购物等与女性结合
大数据杀熟
价格歧视
算法决策
提供了
更高效的结果
不一定正确的结果
存在
不公平
不可信
理论分析
机器学习模型
正确性极度依赖
训练数据
由人标注产生
人带有偏见
无意识
将偏见注入
训练和测试数据
有意识
训练过程
基于这些数据训练
得到
不合理的决策模型
偏见
由人传递到数据
再由数据传递到模型
不仅不会得到遏制
还会得到放大
明确公平的含义
是一个多维概念
体现
人们对平等的追求
社会学
同工同酬
心理学
同他人
社会比较
同自己
历史比较
哲学
无知之幕
每人都不清楚自己在社会中将扮演的角色
共同制定的规则才可能公平
理想机器学习公平
反映客观现实
应能够纠正由人带来的主观偏见
满足两个要求
相似数据集
可以经训练得到
相似模型
相似个体的信息
可以得到
相似输出
尝试方案
数据的角度考虑
决策数据进行合理的审计
使决策过程
透明性
可理解性
数据中的偏见
被发现
被问责
避免引入
算法的角度考虑
当前工作具有局限性
引入公平性度量
对模型本身进行改进
针对特定算法
更广义理解决策
自动决策
人工决策
综合考虑两个决策
得到更全面的决策结果
提高决策的公平性
解决途径：建立数据透明机制
传统决策的基础
“数据—信息—知识”的获取
现有大数据决策
由数据直接驱动
大数据透明
在数据隐私问题上
在数据垄断问题上
在决策公平问题上
对决策的结果
通过数据透明
进行审计
发现
结果中不公平
歧视
基于该审计结果
算法工程师进一步完善
决策算法
决策输入数据
提高
数据决策的公平性
大数据透明存在诸多问题
结束语
机器学习等算法
产生了
巨大的社会价值
思考
实现数据价值
同时解决伦理问题
正视数据在其生命周期中
合理收集
合理存储
合理使用
伦理问题的产生
相互作用的结果
数据生态环境
机器学习技术
数据驱动
不能通过简单界定其归属
解决伦理问题
解决伦理问题的关键
