Data Science Institute

撤退的第一天提供了4组会谈, interspersed with time for food, 高质量的谈话和一些放松.

CLUSTER A

当地的不平等:理解和丰富该地区

• Jo Knight (Eden North)
• Emma Halliday (Health 研究)
• Michelle Collins (Health 研究)
• 克里斯·博伊科(兰卡斯特当代艺术学院)

CLUSTER B

国际不平等:应对全球挑战

• Michaela Benson (Sociology)
• 莎莉·卡伍德(AG8亚洲游戏集团有限公司环境中心)
• Jasmine Fledderjohann(社会学)录音

CLUSTER C

不平等的意义:大规模数据集的价值

• 伊恩•沃克(AG8亚洲游戏集团有限公司管理学院)
• Katie Hunter (Law School)
• Steffi Doebler (Sociology)
• Heather Brown (Health 研究)

CLUSTER D

Inequalities: 基础设施和环境的政治

• 高登·沃克(AG8亚洲游戏集团有限公司环境中心)
• 布兰·诺尔斯(计算机与通信学院)
• Matthew Johnson (Politics and Policy)

第2天提供了当前资金状况的信息, 大学新的安全数据科学基础设施, 为你自己的工作提供自由的时间, 思考或合作对话.

演讲的是下面这些人

不平等研究:资金状况(奥杰特·杜赫斯特), Senior 研究 Development Manager, RES)

NIHR西北研究支持和发展团队，Julie Mugarza和James Connolly加上Q&A

兰卡斯特的安全数据科学基础设施:凯伦·布罗德赫斯特 & Geraint Harries (ISS) Audience Q&A

在这次演讲中，我将介绍“偏见保存”的概念，作为一种方法来评估机器学习中使用的公平指标与正式和实质性平等的概念的兼容性. 欧盟非歧视法的根本目的不仅仅是防止持续的歧视, but also to change society, policies, 实践“公平竞争环境”，实现实质平等，而不仅仅是形式上的平等. Based on this, 我将介绍一种新的机器学习公平指标的分类方案，基于它们如何处理既存的偏见，从而与实质性平等的目标相一致. 具体来说，我将区分“保留偏见”和“改变偏见”的公平指标. 这种分类制度旨在弥合平等概念之间的差距, non-discrimination law, 以及如何衡量机器学习的公平性和偏见的决策. 偏见转换指标对于在实践中实现实质性平等至关重要. 最后，我将引入一个保留偏差的指标“条件人口差异”，旨在重新构建关于AI公平性的辩论, 把它从正确的公平指标上移开, and towards identifying ethically, legally, socially, 或者根据特定用例的需求，政治上更可取的条件变量.