Разработка технологии аугментации данных для обеспечения справедливости работы алгоритмов искусственного интеллекта в слабоформализованных областях.
- synthetic_clients - симулятор маркетингового воздействия на популяцию синтетических клиентов.
- fair_aug - определение и восстановление справедливости алгоритмов машинного обучения реализован.
- federative - планирование федеративного обучения с централизованной агрегацией для онлайн постановки.
- генерация популяции синтетических клиентов, опционально осуществляемая по исходным признаковым описаниям, по матрицам предпочтений пользователей с возможностью задания параметров представленности страт;
- выявление в наборах данных факторов смещенности, связанных с дискриминацией;
- моделирование откликов синтетической популяции на различные стратегии воздействий с возможностью задания параметров реакций на воздействия и изменения внешней среды различных типов.
- аугментация данных с использованием априорных знаний предметной области для исключениядискриминации в задачах мульти классификации.
- оптимизация централизованного федеративного обучения для моделей на агрегированных данных, основанный на следующих уровнях управления: работа локальных моделей МО, сбор обновлений от моделей и определение готовности к агрегации, регулировка последовательности агрегации для разных моделей.