Abstracto

Explorando el sesgo en el algoritmo FOLD-R++: un análisis exhaustivo

Raaghav Ramamoorthy*

A medida que el aprendizaje automático se utiliza en numerosas aplicaciones, existe aún más preocupación con respecto a los algoritmos dentro de la inteligencia artificial. Este artículo se centra en el análisis de los sesgos incorporados en una configuración como FOLD-R++. Los hallazgos son importantes tanto para el ámbito académico como para la industria a la hora de establecer qué es un algoritmo de aprendizaje automático justo y neutral. El artículo contiene una revisión exhaustiva de la literatura sobre los sesgos en el aprendizaje automático y una explicación detallada.

El capítulo reexamina estudios previos sobre la eficacia de este algoritmo, desenterrando las limitaciones en la literatura anterior e instando a más investigación. Esto implica elegir deliberadamente un conjunto de datos de Kaggle, métricas aplicadas en la evaluación del algoritmo y un diseño experimental detallado. Los resultados de estas pruebas de diferentes escenarios de prueba han demostrado que el algoritmo es correcto pero vulnerable al sesgo y eficiente en diferentes dominios. Se discuten los resultados y se realizan comparaciones con lo que está disponible en la tabla sobre algoritmos con sesgo del sistema. En conclusión, este estudio contribuye a la literatura existente sobre aprendizaje automático y destaca ciertas deficiencias relacionadas con el uso del algoritmo FOLD-R++. Por lo tanto, demuestra la necesidad de abordar problemas de desigualdad inexplicable y desarrollar algoritmos confiables para la toma de decisiones. El estudio reconoce estas deficiencias en la medida en que se convierte en una etapa vital hacia el desarrollo de un aprendizaje automático más justificado.