Data privacy and fairness in machine learning

Abstract

Αυτή η ανάλυση προσπαθεί να αντιμετωπίσει το ακόλουθο ζήτημα. Το ζήτημα είναι αν οι τεχνολογίες που έχουμε σχεδιάσει είναι δίκαιες και αν ο συνδυασμός τους με την Ανωνυμοποίηση μπορεί να την κάνει πιο δίκαιη και δίκαιη. Αυτό υλοποιείται αρχικά με τη μελέτη της υπάρχουσας βιβλιογραφίας των ορισμών της Δικαιοσύνης και της Ανωνυμοποίησης. Δεύτερον, προσπαθώντας να υλοποιήσει βασικούς αλγορίθμους πρόβλεψης με τη βοήθεια των προτεινόμενων από τη βιβλιογραφία συνόλων δεδομένων και, στη συνέχεια, χρησιμοποιώντας την ανωνυμοποίηση στα ευαίσθητα δεδομένα του συνόλου δεδομένων να δει τα αποτελέσματά και να συγκρίνει.This analysis tries to cope with the following issue. The issue is whether the technologies we have designed are fair and whether their combination with Anonymization can make it fairer and just. This is implemented firstly by studying the existing bibliography of Fairness definitions and Anonymization. Secondly, by trying to implement basic classifications algorithms with the help of the proposed by the bibliography datasets and then using Anonymization in the dataset’s sensitive data in order to see its effects and compare the results.