概述

AI Fairness 360 软件包包括:

1. 一套全面的数据集和模型指标，用于测试偏差，
2. 对这些指标的解释，以及AI Fairness 360 交互式体验 提供了对概念和功能的温和介绍。这些教程和其他笔记本提供了更深入的、面向数据科学家的介绍。完整的 API 也可用。

   作为一套全面的功能，找出最适合给定用例的指标和算法可能会令人困惑。

   支持的偏差缓解算法

   • [hidecontent type="logged" desc="隐藏内容：登录后可查看"]

     • 优化预处理（Calmon 等人，2017 年）
     • Dispareate Impact Remover ( Feldman et al., 2015 )
     • 均衡赔率后处理（Hardt 等人，2016 年）
     • 重新称重（Kamiran 和 Calders，2012 年）
     • 拒绝选项分类（Kamiran 等人，2012 年）
     • Prejudice Remover Regularizer ( Kamishima et al., 2012 )
     • 校准均衡赔率后处理（Pleiss 等人，2017 年）
     • Learning Fair Representations（Zemel 等人，2013 年）
     • Adversarial Debiasing ( Zhang et al., 2018 )
     • 公平分类的元算法（Celis 等人，2018 年）
     • 富子群公平性（Kearns、Neel、Roth、Wu，2018 年）
     • 取幂梯度缩减（Agarwal 等人，2018 年）
     • 减少网格搜索（Agarwal 等人，2018 年，Agarwal 等人，2019 年）
     • 公平数据适应（Plečko 和 Meinshausen，2020 年，Plečko 等人，2021 年）
     • 敏感集不变性/敏感子空间稳健性（Yurochkin 和 Sun，2020 年，Yurochkin 等人，2019 年）

     支持的公平性指标

     • 从选择率和错误率得出的综合组公平性指标集，包括丰富的子组公平性
     • 全面的样本失真指标集
     • 广义熵指数（Speicher 等人，2018 年）
     • 差分公平性和偏差放大（Foulds 等人，2018 年）
     • 带有多维子集扫描的偏置扫描（Zhang, Neill, 2017）

     设置

     R

     install.packages("aif360")

     有关 R 设置的更多详细信息，请参阅此处的说明。

     Python

     支持的 Python 配置：

     操作系统	蟒蛇版本
     苹果系统	3.7 – 3.10
     Ubuntu	3.7 – 3.10
     视窗	3.7 – 3.10

     可选）创建虚拟环境

     AIF360 需要许多 Python 包的特定版本，这可能会与您系统上的其他项目发生冲突。强烈建议使用虚拟环境管理器以确保可以安全地安装依赖项。如果您在安装 AIF360 时遇到问题，请先尝试此操作。

     康达

     尽管 Virtualenv 对于我们的目的通常是可互换的，但建议将 Conda 用于所有配置。 如果您还没有安装 conda，Miniconda 就足够了（如果您好奇的话，请参阅Anaconda 和 Miniconda 之间的区别）。

     然后，要创建一个新的 Python 3.7 环境，请运行：

     conda create --name aif360 python=3.7
     conda activate aif360

     外壳现在应该看起来像(aif360) $。要停用环境，请运行：

     (aif360)$ conda deactivate

     提示将返回到$ 。

     注意：旧版本的 conda 可能使用source activate aif360and source deactivate（activate aif360和deactivate在 Windows 上）。

     安装pip

     要从 PyPI 安装最新的稳定版本，请运行：

     pip install aif360

     注意：某些算法需要额外的依赖项（尽管指标都可以开箱即用）。要安装包含某些算法依赖项，请运行，例如：

     pip install 'aif360[LFR,OptimPreproc]'

     或者，要获得完整的功能，请运行：

     pip install 'aif360[all]'

     可用附加选项有：OptimPreproc, LFR, AdversarialDebiasing, DisparateImpactRemover, LIME, ART, Reductions, notebooks, tests, docs, all

     如果遇到任何错误，请尝试故障排除步骤。

     手动安装

     克隆此存储库的最新版本：

     git clone https://github.com/Trusted-AI/AIF360

     如果您想运行这些示例，请立即下载数据集并将它们放在各自的文件夹中，如 aif360/data/README.md中所述。

     然后，导航到项目的根目录并运行：

     pip install --editable '.[all]'

     运行示例

     要运行示例笔记本，请完成上面的手动安装步骤。然后，如果您没有使用该[all]选项，请按如下方式安装附加要求：

     pip install -e '.[notebooks]'

     最后，如果您还没有，请按照 aif360/data/README.md中的说明下载数据集。

     故障排除

     如果您在安装过程中遇到任何错误，请在此处查找您的问题并尝试解决方案。

     张量流

     有关详细说明，请参阅使用 pip 安装 TensorFlow页面。

     注意：我们需要'tensorflow >= 1.13.1'。

     安装 tensorflow 后，尝试重新运行：

     pip install 'aif360[AdversarialDebiasing]'

     TensorFlow 只需要与 aif360.algorithms.inprocessing.AdversarialDebiasing类一起使用。

     CVXPY

     在 MacOS 上，如果您以前从未安装过 Xcode 命令行工具，则可能首先必须安装：

     xcode-select --install

     在 Windows 上，您可能需要下载Microsoft C++ Build Tools for Visual Studio 2019。 有关最新说明，请参阅CVXPY 安装页面。

     然后，尝试通过以下方式重新安装：

     pip install 'aif360[OptimPreproc]'

     CVXPY 仅在与课程一起使用时才需要 aif360.algorithms.preprocessing.OptimPreproc。

     减轻数据集和模型偏差的算法。它旨在将算法研究从实验室转化为金融、人力资本管理、医疗保健和教育等广泛领域的实际实践。我们邀请您使用它并改进它。

     [/hidecontent]