De nombreux travaux proposent un pr\u00e9-traitement des donn\u00e9es afin d’aboutir \u00e0 la construction d’une d\u00e9cision sans biais. Le probl\u00e8me est plus ou moins complexe selon que la variable sensible d’appartenance au groupe “prot\u00e9g\u00e9” est prise en compte\u00a0 ou non, soumise \u00e0 la confidentialit\u00e9.<\/p>\n
Feldman et al. (2015) proposent de transformer chaque variable de sorte que leurs distributions marginales, conditionnellement \u00e0 l’appartenance au groupe, co\u00efncident en pr\u00e9servant les rangs. Ce crit\u00e8re est bas\u00e9e sur la distance de Wasserstein (earthmover distance<\/em>).<\/p>\n Kamiran et Calders (2011) comparent diff\u00e9rentes strat\u00e9gies poursuivant le m\u00eame objectif: supprimer les k<\/em> variables les plus li\u00e9es \u00e0 la variables groupe, changer les labels des observations proches de la fronti\u00e8res, repond\u00e9rer les observations, supprimer ou sur \u00e9chantillonner certaines observations.<\/p>\n Hajian et al. (2013), Zliobaite et al. (2011), cherchent des proc\u00e9dures adapt\u00e9es \u00e0 des situations o\u00f9 la connaissance du groupe n’est pas explicite.<\/p>\n Enfin, dans les travaux les plus r\u00e9cents,\u00a0 Ruggiery (2014), Hajian et al. (2014) combinent des contraintes de confidentialit\u00e9 diff\u00e9rentielle avec la construction de d\u00e9cision non discriminatoires.<\/p>\n M. Feldman, S. Friedler, J. Moeller, C. Scheidegger, S. Venkatasubramanian (2015). Certifying and removing disparate impact<\/a>, arXiv-preprint.<\/p>\n S. Hajian, J. Domingo-Ferrer (2013).\u00a0 A Methodology for Direct and Indirect Discrimination Prevention in Data Mining<\/a>,\u00a0 IEEE Transactions on Knowledge and Data Engineering, 25(7), 1445 – 1459.<\/p>\n S. Hajian, J Domingo-Ferrer, O Farr\u00e0s (2014). Generalization-based Privacy Preservation and Discrimination Prevention<\/a> in Data Publishing and Mining, Data Mining and Knowledge Discovery 28 (5-6), 1158-1188.<\/p>\n F. Kamiran, T. Calders (2011). Data Pre-Processing Techniques for Classification without Discrimination<\/a>,\u00a0 Knowledge and Information Systems 33(1).<\/p>\n S. Ruggieri (2014). Using t-closeness anonymity to control for non-discrimination, Transaction on Data Privacy<\/a>, 7, 99-129.<\/p>\nAppartenance implicite<\/h2>\n
Confidentialit\u00e9 et non discrimination<\/h2>\n
R\u00e9f\u00e9rences<\/h2>\n