{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部分”：[[2024,6,20]]，“日期-时间”：“2024-06-20T14:00:54Z”，“时间戳”：1718892054399}，“出版商位置”：“美国纽约州纽约市”，“参考-计数”：69，“出版者”：“ACM”，“资助者”：[{“DOI”：“10.13039\/50100000781”，“名称”：“欧洲研究理事会”，“DOI-asserted-by”：“publisher”，“adward”：[“741278”]}]，“content-domain”：{“domain”:[“dl.acm.org”]，“crossmark-restriction”：true}，“short-container-title”：[]，“published-print”：{“date-parts”：[[2021,8,20]]}，”DOI“：”10.1145\/346264.3468565“，”type“：”proceedings-article“，”created“：{”date-part“：[2021,8,19]]，”date-ti me“：”2021-08-19T01:40:03Z“，”时间戳“：1629337203000}，“update-policy”：“http://\/dx.doi.org\/10.1145\/crossmark-policy”，“source”：《Crossref》，“is-referenced-by-count”：28，“title”：[“Fairea:基准偏差缓解方法的模型行为变异方法”]，“prefix”：“10.1145”，“author”：[{“ORCID”：”http://\/ORCID.org\/00000-0001-8684-5909“，”authenticated-ORCID“：false，”给定“：”Max“，“family”：“Hort”，“sequence”：“first”，“affiliation”：[{“name”：“University College London，UK”}]}，{“ORCID”：“http://\ORCID.org\/0000-0003-0481-7264”，“authenticated-ORCID”：false，“given”：”Jie M.“，”family“：”Zhang“，”sequence“：”additional“，”affiliance“：[{name“：”University Colege Longton，UK“}]}，{”ORCID“：”http://\orchid.org\/O0000-0002-9146-442X“，”经认证的“：false，“given”：“Federica”，“family”：“Sarro”，“sequence”：“additional”，“affiliation”：[{“name”：“University College London，UK”}]}，{“ORCID”：”http://\/ORCID.org\/00000-0002-5864-4488“，”authenticated-ORCID“：false”，“giving”：“Mark”，”family“：”Harman“，”sequence“：”additional，“published-online”：{“date-parts”：[[2021,8,18]]}，“reference”：[{“key”：“e_1_3_2_1_1_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1145\/3338906.3338937“}，{“key”：”e_1_a_2_1_1“，”doi-assert-by“：”publisher“，Julia Angwin Jeff Larson Surya Mattu和Lauren Kirchner，2016年。机器偏差。ProPublica公司。请参阅https:\/\/www.propublica。org \/article \/machine-bias-risk assessments-in-ciminal-communication组织\/artracle \/machine-bias-风险评估-刑事判决。朱莉娅·安格温（Julia Angwin）、杰夫·拉尔森（Jeff Larson）、苏里亚·马图（Surya Mattu）和劳伦·基什内尔（Lauren Kirchner）。2016.机器偏差。ProPublica公司。请参阅https:\/\/www.propublica。org \/article \/machine-bias-risk assessments-in-ciminal-communication组织\/artracle \/machine-bias-风险评估-刑事判决。“}，{”key“：”e_1_3_2_1_4_1“，”非结构化“：”Rachel KE Bellamy Kuntal Dey Michael Hind Samuel C Hoffman Stephanie Houde Kalapriya Kannan Pranay Lohia Jacquelyn Martino Sameep Mehta和Aleksandra Mojsilovic，2018年。AI Fairness 360：一个可扩展的工具包，用于检测理解和减少不必要的算法偏差。arXiv预打印arXiv:1810.01943。雷切尔·凯·贝拉米·库塔尔（Rachel KE Bellamy Kuntal Dey）、迈克尔·欣德·塞缪尔·霍夫曼（Michael Hind Samuel C Hoffman）、斯蒂芬妮·胡德·卡拉皮亚（Stephanie Houde Kalapriya）、坎南（Kannan）、普拉奈（Pranay）、罗希亚·杰奎琳·马蒂诺·萨米普·梅塔（Lohia Jacquelyn Martino Sameep Mehta）和亚历克桑德拉·莫杰西洛维奇（Aleksandra Mojsilovic）。2018.AI Fairness 360：一个可扩展的工具包，用于检测理解和减轻不必要的算法偏见。arXiv预印本arXiv:1810.01943.“}，{”key“：”e_1_3_2_1_5_1“，”volume-title“：”FAT-ML Workshop.“，“author”：“Berk R.”，“unstructured”：“R.Berk，H.Heidari，S.Jabbari，M.Joseph，M.Kearns，J.Morgenstern，S.Neel，and A.Roth，2017。公平回归的凸框架。FAT-ML研讨会。R.Berk、H.Heidari、S.Jabbari、M.Joseph、M.Kearns、J.Morgenstern、S.Neel和A.Roth。2017年，公平回归凸框架。FAT-ML车间。“}，{”key“：”e_1_3_2_1_6_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1177 \/0049124118782533”}，“key”：“e_1_ 3_2_1 _7_1”，“doi-assert-by”：“publisher”，”doi“：”10.1126\/science.187.4175.398“}“}”，{“key”：“e1_3_2_19_1”，“doi-asserted-by”：“crossref”，”非结构化“：”Sumon Biswas和Hridesh Rajan。2021.公平预处理：理解机器学习管道中数据转换器的组成公平性。在ACM联合欧洲软件工程会议和软件工程基础研讨会（ESEC\/FSE）上（即将发布）。Sumon Biswas和Hridesh Rajan。2021.公平预处理：理解机器学习管道中数据转换器的组成公平性。在ACM联合欧洲软件工程会议和软件工程基础研讨会（ESEC\/FSE）上（即将发布）。“，”DOI“：”10.1145\/3468264.3468536“}，{”key“：”e_1_3_2_10_1“，”DOI-asserted-by“：”publisher“，“DOI”：“10.1145\/23236024.3264838”}，“{”密钥“：”e_1_3_2_11_1“，”DOI-asserted-by“:”publishers“，”DI:”10.1093\/iwc\/iwv046“}”，{“key”：“e_1_ 3_2_12_1”，“DOI-assert-by”：“publisher”，“DOI”：“10.1109\/ICDMW.2009.83”}，{“key”：“e_1_3_2_13_1”，”DOI-asserted-by“：”publisher“，”DOI“：”10.1109\/ICDM.2013.114“}，{“key”：“e_1_3_2_14_1”，“DOI-asserted-by”：“publisher”，”DOI“:”10.1007\/s10618-010-0190-x“}”，{”key“：”e_1_ 3_2_1_15_1“，”volume-title“：”Karthikeyan Natesan Ramamurthy，and Kush R Varshney“，”author“：”Calmon Flavio“，”year“2017”，“unstructured”：“弗拉维奥·卡尔蒙（Flavio Calmon）、丹尼斯·韦（Dennis Wei）、巴努基兰·文扎穆里（Bhanukiran Vinzamuri）、卡尔蒂基安·内特桑·拉马穆尔西（Karthikeyan Natesan Ramamurthy）和库什·瓦什尼。2017 . 优化预处理以防止歧视。神经信息处理系统进展。3992\u20134001。弗拉维奥·卡尔蒙（Flavio Calmon）、丹尼斯·韦（Dennis Wei）、巴努基兰·文扎穆里（Bhanukiran Vinzamuri）、卡尔蒂基安·内特桑·拉马穆里（Karthikeyan Natesan Ramamurthy）和库什·瓦什尼（Kush R Varshney）。2017.针对歧视预防的优化预处理。神经信息处理系统进展。3992\u20134001.“}，{”key“：”e_1_3_2_1_16_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/3287560.3287586”}，“key”：“e_1_ 3_2_17_1”，“doi-assert-by”：“publisher”，”doi“：”10.1145\/3368089.3409697“}”，{和蒂姆·门齐斯（Tim Menzies），2019年。公平软件工程：超参数优化案例研究。阿西夫：1905.05786。Joymallya Chakraborty Tianpei Xia Fahmid M.Fahid和Tim Menzies。2019.公平软件工程：超参数优化案例研究。arxiv:1905.05786.“}，{”key“：”e_1_3_2_1_19_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/3287560.3287594”}，“key”：“e_1_ 3_2_1_20_1”，“doi-assert-by”：“publisher”，”doi“：”10.1089\/big.2016.047。公平的衡量和误判：公平机器学习的批判性评论。arXiv预打印arXiv:1808.00023。萨姆·科贝特·戴维斯和莎拉·戈尔。2018年，公平的衡量和误判：公平机器学习的批判性回顾。arXiv预印本arXiv:1808.00023.“}，{“key”：“e_1_3_2_1_22_1”，“doi-asserted-by”：“publisher”，“doi”：“10.1145\/3097983.3098095”}，“key“：”e_1_ 3_2_1_2 3_1“，”doi-assert-by“：”publisher“，：“10.1145\/2783258.2783311”}，{“密钥”：“e_1_3_2_1_25_1”，“doi-asserted-by”：“publisher“，”DOI“：”10.1007\/s00766-009-0075-y“}，{“key”：“e_1_3_2_1_26_1”，“DOI-asserted-by”：“publisher”，”DOI:“10.1145\/3287560.3287589”}，“key“：”e_1_a_2_1_27_1“，“doiasserted-by Hardt Eric Price和Nati Srebro，2016年。监督学习中的机会平等。神经信息处理系统进展。3315\u20133323。莫里茨·哈德·埃里克·普莱斯（Moritz Hardt Eric Price）和纳蒂·斯雷布罗（Nati Srebro）。2016年，监督学习机会均等。神经信息处理系统进展。3315\u20133323.“}，{”key“：”e_1_3_2_1_29_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145”，{“key”：“e_1_ 3_2_1_30_1”，“unstructured”：“Hans Hofmann.[n.d.].Statlog（德语信用数据）数据集。http://\/archive.ics.uci.edu \/ml\/datasets\/Statlog+（德语+信用+数据）。].Statlog（德国信贷数据）数据集。http:\/\/archive.ics.uci.edu\/ml\/datasets\/statlog+（德语+信用+数据）。“｝，｛”key“：”e_1_3_2_1_31_1“，”doi断言“：”publisher“，”doi“：”10.1109\/RE.2019.00050“｝，｛”key“：”e_1_3_2_1_32_1“，”unstructured“：”Max Hort Jie Zhang Federica Sarro and Mark Harman《Fairea：基准偏差缓解方法的模型行为变异方法》一文的在线附录。https:\/\/github.com/maxhort\/Fairea\/Max Hort Jie Zhang Federica Sarro和Mark Harman。【未注明日期】。Fairea论文的在线附录：基准偏差缓解方法的模型行为突变方法。https:\/\/github.com/maxhort\/Fairea\/“}，{“key”：“e_1_3_2_1_33_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1109\/ICST46399.2020.00018“}”，{”key“：”e_1_ 3_2_1_1_34_1“，”doi-assert-by“：”publisher“，：“publisher”，“doi”：“10.1109\/IC4.2009.4909197”}，{“key”：“e_1_3_2_1_36_1”doi由“：”publisher断言，“doi”：“10.1007\\s10115-011-0463-8”}，{“key”：“e_1_3_2_37_1”，“doi由”：“publisher”断言，“doi”：“10.1109\/ICDM.2010.50”}，{“key”：“e_1_3_2_38_1”，“doi由”：“publisher”断言，“doi”：“10.1109\/ICDM.2012.45”}，{“key”：“e_1_3_2_1_39_1”，“doi由”：“publisher”断言，“doi”：“10.1016\/j.in.2017.09.064”｝，｛“key”：“e_1_3_2_1_40_1”，“doi-asserted-by“：”publisher“，”doi“：”10.1007\/978-3642-33486-3_3“}，{“key”：“e_1_3_2_1_41_1”，“volume-title”：“机器学习研究论文集”，“卷”：“80”，“author”：“Kearns-Michael”，“year”：“2018”，“unstructured”：“迈克尔·卡恩斯（Michael Kearns）、赛斯·内尔（Seth Neel）、亚伦·罗斯（Aaron Roth）和吴志伟（Zhiwei Steven Wu）。2018 . 防止公平推诿：子群体公平的审计和学习。机器学习研究论文集，第80卷。PMLR，瑞典斯德哥尔摩Stockholmsm\u00e4ssan。2564\u20132572。http://\/crocesses.mlr.press\/v80\/kearns18a.html迈克尔·卡恩斯、赛斯·内尔、亚伦·罗斯和吴志伟。2018.防止公平推诿：子集团公平的审计和学习。机器学习研究论文集，第80卷。PMLR，瑞典斯德哥尔摩Stockholmsm\u00e4ssan。2564\u20132572。http:\/\/procedures.mlr.press\/v80\/kearns18a.html“}，{“key”：“e_1_3_2_1_42_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1145\/3287560.3287592“}、{“密钥”：“e_1_3_2_1_43_1”、“非结构化”：“Jon Kleinberg Sendhil Mullainathan和Manish Raghavan.2016。公平确定风险分数的内在权衡。arXiv预印arXiv:1609.05807。Jon Kleinberg Sendhil Mullainathan和Manish Raghavan。2016年，公平确定风险评分的内在权衡。arXiv预印本arXiv:1609.05807.“}，{“key”：“e_1_3_2_1_44_1”，“unstructured”：“Ron Kohav.[n.d.].成人数据集.http://\/archive.ics.uci.edu\/ml\/datasets\/active.Ron Koharv.[n.d.].Adult数据集.http:\\/archive.ics.uci.edu\/ml\/datasets\/active.”}，“key“：”e_13_2_1_45_1“，”doi-asserted-by“：”publisher“，”doi“：”10.1145\/3377812.3382146“}，{”key“：”e_1_3_2_1_46_1“，“非结构化”：“尼娜雷·梅赫拉比·弗雷德·莫斯塔特·尼普苏塔·萨克塞娜·克里斯蒂娜·勒曼和阿兰·加尔斯蒂安。2019.机器学习中的偏见和公平性调查。arXiv预印arXiv:1908.09635。尼娜雷·梅赫拉比·弗雷德·莫斯塔特·恩里普苏塔·萨克塞娜·克里斯蒂娜·勒曼和阿兰·高尔斯蒂安。2019.机器学习中的偏见和公平性调查。arXiv预印本arXiv:1908.09635.“}，{”key“：”e_1_3_2_1_47_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/2390231.2390245”}，“key”：“e_1_ 3_2_1 _48_1”，“doi-assert-by”：“publisher”，”doi“：”10.1111\/1475-3995.00375“}”，{：“10.1016\/bs.adcom.2018.03.015”}，{“key”：“e_1_3_2_1_50_1”，“doi-asserted-by”：“publisher“，”DOI“：”10.1145\/1401890.1401959“}，{”key“：”e_1_3_2_1_51_1“，“unstructured”：“Geoff Pless Manish Raghavan Felix Wu Jon Kleinberg和Kilian Q Weinberger，2017。关于公平性和校准。神经信息处理系统进展。5680\u20135689。杰夫·普莱斯·曼尼什·拉加万·费利克斯·吴·乔恩·克莱恩伯格和基利安·温伯格。2017年，关于公平性和校准。神经信息处理系统进展。5680\u20135689.“}，{”key“：”e_1_3_2_1_52_1“，”unstructured“：”propublica.[n.d.].propublica故事的数据\u2018machine bias\u2019。https:\/\/github.com\/propublica\/compas-analysis\/。propublica公司。【未注明日期】。前期报道\u2018machine bias \u2019的数据。https:\/\/github.com\/propublica\/compas-analysis\/。“}，{”key“：”e_1_3_2_1_53_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1017\/S0269888913000039”}，“key”：“e_1_a_2_1_54_1”，“doi-assert-by”：“publisher”，”doi“：”10.1109\/TSE.2016.2532875“}0046“}，{”键“：”e_1_3_2_1_56_1“，”doi-asserted-by“：”出版商“，”doi“：”10.1145\/3377811.3380420“}，{“key”：“e_1_3_2_1_57_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1109\/EuroSP.2017.29“}”，{”key“：”e_1_a_2_1_58_1“，”doi-assert-by“：”publisher“，“doi”：“10.1145\/3238147.3238165”}，“key“:”e_3_2_59_1“”，“unstructured”：“Michael Wick and Jean-Baptiste Tristan.2019。解锁公平：重新审视权衡。神经信息处理系统进展。8783\u20138792。迈克尔·威克和珍妮·巴普蒂斯特·特里斯坦。2019.解锁公平：重新审视权衡。神经信息处理系统进展。8783\u20138792.“}，{”key“：”e_1_3_2_1_60_1“，”volume-title“：”Manuel Gomez Rogriguez，and Krishna P Gummadi“，“作者”：“Zafar Muhammad Bilal”，“年份”：“2017”，“非结构化”：“穆罕默德·比拉尔·扎法尔（Muhammad Bilal Zafar）、伊莎贝尔·瓦莱拉（Isabel Valera）、曼努埃尔·戈麦斯·罗格里格斯（Manuel Gomez Rogriguez）和克里希纳·普·古马迪。2017 . 公平约束：公平分类的机制。人工智能与统计。962\u2013970。穆罕默德·比拉尔·扎法尔（Muhammad Bilal Zafar）、伊莎贝尔·瓦莱拉（Isabel Valera）、曼努埃尔·戈麦斯·罗格里格斯（Manuel Gomez Rogriguez）和克里希纳·普·古马迪。2017年。公平约束：公平分类机制。人工智能与统计。962\u2013970.“}，{”key“：”e_1_3_2_1_61_1“，”volume-title“：”机器学习国际会议.325\u2013333“，”author“：”Zemel Rich“，”year“：”2013“，”unstructured“：”Rich Zemel、Yu Wu、Kevin Swersky、Toni Pitassi和Cynthia Dwork。2013 . 学习公平陈述。在机器学习国际会议上。325\u2013333。Rich Zemel、Yu Wu、Kevin Swersky、Toni Pitassi和Cynthia Dwork，2013年。学习公平陈述。在机器学习国际会议上。325\u2013333.“}，{”key“：”e_1_3_2_1_62_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/3278721.3278779”}，“key”：“e_1_3_2_1_63_1”，“doi-assert-by”：“publisher”，”doi“：”10.1145\/2642937.2642994“}”，{ICSE43902.2021.00129“}，{”key“：”e_1_3_2_1_65_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/2931037.2931038“}，{“key”：“e_1_3_2_1_66_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1109\/tse.2019.2962027“}”，{”key“：”e_1_m2_1_67_1“，”doi-assert-by“：”publisher“，“10.18653\/v1\/D18-1521”}，{“key”：“e_1_3_2_1_69_1”，“doi-asserted-by”：“publisher”，”DOI“：”10.1109\/ICDM.2011.72“}]，“event”：{“name”：“ESEC\/FSE‘21:第29届ACM联合欧洲软件工程会议和软件工程基础研讨会”，“location”：“Athens Greece”，“首字母缩写”：“SESC\/FSE’21”，“赞助商”：[“SIGSOFT ACM软件工程特别兴趣小组”]}，“container-title”：[”第29届ACM欧洲软件工程会议暨软件工程基础研讨会联合会议记录“]，“original-title”：[]，“link”：[{“URL”：“https:\/\/dl.ACM.org\/doi\/pdf\/10.1145\/3468264.3468565”，“content-type”：“unspecified”，“content-version”：“vor”，“intended-application”：“similarity-checking”}]，“存放“：{“date-parts”：[[2023,1,9]]，“date-time”：“2023-01-09T16:11:57Z”，“timestamp”：1673280717000}，“score”：1，“resource”：{”primary“：{“URL”：“https:\/\/dl.acm.org\/doi\/10.1145\/346264.3468568565”}}，”subtitle“：[]，”shorttitle“：[]，“issued”：{“date-parts”：[2021,8,18]]}、“references-count”“：69，”alternative-id“：[”10.1145\/3468264.3468565“，”10.1145\/3468264“]，“URL”：“http://\/dx.doi.org\/10.1145\/3468264.3468565”，“relationship”：{}，“subject”：[]，“published”：{“date-parts”：[[2021,8,18]]}，”assertion“：[{”value“：”2021-08-18“，”order“：2，”name“：”published“，”label“：”published“，”group“：{”name“publication_history”，“label”：“publication history”}}}]}