Resume
Samenvatting Data Science and ethics (2104TEWDAS)
- Établissement
- Universiteit Antwerpen (UA)
Samenvatting van de hoorcolleges Data Science and Ethics. Met deze samenvatting haalde ik 18/20.
[Montrer plus]
2 revues
Par: ranhuyse • 1 année de cela
only the slides
Par: MichielThys15 • 1 année de cela
Aperçu du contenu
Data science and ethicsInhoud
Inleiding .................................................................................................................................. 6
Course and Evaluation........................................................................................................ 6
Why care? ........................................................................................................................... 6
1. Expected from society ............................................................................................................. 6
2. Huge potential risks ................................................................................................................. 6
3. Potential benefits .................................................................................................................... 7
4. Future ...................................................................................................................................... 7
5. SciFi becomes Sci ..................................................................................................................... 7
Goal of the course .................................................................................................................. 8
Ethics in the News................................................................................................................... 8
Data science ethics ................................................................................................................. 8
Trolley Problem .................................................................................................................. 9
Ethics of self-driving cars .................................................................................................... 9
Data, Algorithms and Models........................................................................................... 10
Different Roles.................................................................................................................. 11
FAT ........................................................................................................................................ 11
FAT Flow: a Data Science Ethics Framework .................................................................... 12
FAT Flow: Concepts and Techniques ................................................................................ 13
FAT Flow: Cautionary Tales .............................................................................................. 13
Subjectivity of ethics ........................................................................................................ 13
Discussion Case 1....................................................................................................................... 14
Fair Data Gathering .......................................................................................................... 14
Transparent Data Gathering............................................................................................. 14
Discussion Case 2....................................................................................................................... 14
Fair Data Preparation ....................................................................................................... 15
Transparent Data Preparation ......................................................................................... 15
Fair Data Modelling .......................................................................................................... 15
Transparant Data Modeling ............................................................................................. 15
Fair Model Evaluation ...................................................................................................... 15
Transparent Model Evaluation ......................................................................................... 16
Fair Model Deployment ................................................................................................... 16
Transparent Model Deployment ...................................................................................... 16
Beyond Data Science Ethics .................................................................................................. 16
1
, Ethical AI Frameworks .......................................................................................................... 16
IEEE Global Initiative on Ethics of Autonomous and Intelligent Systems (2018) ............ 16
Ethics guidelines for trustworthy AI (2019) ..................................................................... 17
White House Executive Order on Maintaining American Leadership in Artificial
Intelligence, Feb. 2019 ..................................................................................................... 17
ISO .................................................................................................................................... 17
Discussion Case 3....................................................................................................................... 17
Ethical Data Gathering ............................................................................................................. 18
Privacy and GDPR ................................................................................................................. 18
Privacy .............................................................................................................................. 18
GDPR ................................................................................................................................. 20
GDPR key concepts .................................................................................................................... 20
Discussion Case 1....................................................................................................................... 24
CIA ......................................................................................................................................... 24
Privacy Mechanisms: Encryption and hashing ..................................................................... 24
Symmetric encryption ...................................................................................................... 26
Asymmetric encryption .................................................................................................... 26
Encryption for data protection......................................................................................... 28
Hashing ............................................................................................................................. 29
Quantum Computing ........................................................................................................ 32
Obfuscation ...................................................................................................................... 33
Government Backdoor ......................................................................................................... 33
Public data ............................................................................................................................ 35
Clearview.AI...................................................................................................................... 36
Bias ........................................................................................................................................ 36
Sample Bias ...................................................................................................................... 37
Experimentation ................................................................................................................... 39
Summary data gathering ...................................................................................................... 41
Ethical Data Preprocessing ....................................................................................................... 41
Input Selection ................................................................................................................. 41
Discrimination against sensitive groups: Data Preprocessing for non-discrimination ........ 42
Measuring ......................................................................................................................... 42
Proxies for discrimination.......................................................................................................... 42
Methods ........................................................................................................................... 43
1. Massaging: Relabeling ........................................................................................................... 43
2. Reweighing ............................................................................................................................ 45
2
, 3. Sampling ................................................................................................................................ 47
Experiments ............................................................................................................................... 47
Conclusions................................................................................................................................ 48
Privacy ................................................................................................................................... 49
Defining Target Variable................................................................................................... 49
Measuring Fairness (Revisited) ........................................................................................ 49
COMPAS case............................................................................................................................. 50
Methods to include privacy .............................................................................................. 50
Anonymizing Data ..................................................................................................................... 50
Online Re-identificaiton ................................................................................................... 53
Conclusion: ....................................................................................................................... 55
Data Preprocessing and Modelling: Privacy ............................................................................. 55
Data preprocessing ............................................................................................................... 55
K-anonymity ..................................................................................................................... 55
Recap k-anonymity .................................................................................................................... 55
L-diversity ......................................................................................................................... 56
T-closeness ....................................................................................................................... 58
Differential privacy ........................................................................................................... 59
Privacy loss parameter ε............................................................................................................ 62
How do we add this noise? ....................................................................................................... 63
Assumption 1: Single Count Query. Needed? ........................................................................... 64
Assumption 2: trusted data curator .......................................................................................... 66
Conclusion ........................................................................................................................ 68
Ethical Modelling: Including Privacy and Preferences ............................................................. 69
Including Privacy ................................................................................................................... 69
Differential Privacy ........................................................................................................... 69
Zero Knowledge Proofs .................................................................................................... 69
Homomorphic Encryption ................................................................................................ 70
Secure Multi Party Communication ................................................................................. 72
Applications ............................................................................................................................... 74
Federated Learning .......................................................................................................... 75
Federated Averaging ................................................................................................................. 76
Applications ............................................................................................................................... 77
Overview........................................................................................................................... 77
Including Preferences ........................................................................................................... 78
3
, Including domain knowledge: monotonicity constraints................................................. 78
Trolley problem ................................................................................................................ 79
Including Ethical Preferences .................................................................................................... 79
Ethical Modelling: Including fairness and Explainable AI ......................................................... 81
Fairness in modeling stage: measures and methods ........................................................... 81
Measures .......................................................................................................................... 81
Measuring fairness of Y’ ............................................................................................................ 81
Methods ........................................................................................................................... 83
COMPAS ........................................................................................................................... 83
Including Fairness in Modeling ......................................................................................... 84
Explainable AI ....................................................................................................................... 85
Why need for explanations .............................................................................................. 85
Trust........................................................................................................................................... 85
Compliance ................................................................................................................................ 87
Insight ........................................................................................................................................ 87
Improve ..................................................................................................................................... 87
Comprehensible and Explaining ....................................................................................... 88
Global and instance-based explanation methods............................................................ 89
Explanations .............................................................................................................................. 89
ANN/SVM Rule Extraction ......................................................................................................... 90
SVM Rule Extraction .................................................................................................................. 91
Linear Models ............................................................................................................................ 93
Instance-based explanations ..................................................................................................... 93
Advantages ................................................................................................................................ 97
Challenges ................................................................................................................................. 98
Conclusion ................................................................................................................................. 98
Ethical Reporting ...................................................................................................................... 98
Ethical Reporting .............................................................................................................. 98
p-Hacking ................................................................................................................................... 99
Multiple comparisons .............................................................................................................. 100
Case 1: Twitter to predict stock market .................................................................................. 101
Case 2: Reporting in credit scoring .......................................................................................... 103
Introduction to validation ....................................................................................................... 103
Quantitative validation ............................................................................................................ 104
Qualitative validation .............................................................................................................. 108
The advertising technology industry .............................................................................. 108
4
Les avantages d'acheter des résumés chez Stuvia:
Qualité garantie par les avis des clients
Les clients de Stuvia ont évalués plus de 700 000 résumés. C'est comme ça que vous savez que vous achetez les meilleurs documents.
L’achat facile et rapide
Vous pouvez payer rapidement avec iDeal, carte de crédit ou Stuvia-crédit pour les résumés. Il n'y a pas d'adhésion nécessaire.
Focus sur l’essentiel
Vos camarades écrivent eux-mêmes les notes d’étude, c’est pourquoi les documents sont toujours fiables et à jour. Cela garantit que vous arrivez rapidement au coeur du matériel.
Foire aux questions
Qu'est-ce que j'obtiens en achetant ce document ?
Vous obtenez un PDF, disponible immédiatement après votre achat. Le document acheté est accessible à tout moment, n'importe où et indéfiniment via votre profil.
Garantie de remboursement : comment ça marche ?
Notre garantie de satisfaction garantit que vous trouverez toujours un document d'étude qui vous convient. Vous remplissez un formulaire et notre équipe du service client s'occupe du reste.
Auprès de qui est-ce que j'achète ce résumé ?
Stuvia est une place de marché. Alors, vous n'achetez donc pas ce document chez nous, mais auprès du vendeur studentam1. Stuvia facilite les paiements au vendeur.
Est-ce que j'aurai un abonnement?
Non, vous n'achetez ce résumé que pour €5,49. Vous n'êtes lié à rien après votre achat.
Peut-on faire confiance à Stuvia ?
4.6 étoiles sur Google & Trustpilot (+1000 avis)
75632 résumés ont été vendus ces 30 derniers jours
Fondée en 2010, la référence pour acheter des résumés depuis déjà 14 ans