From d418c774fcec2bdd309588b9da32feca680ddded Mon Sep 17 00:00:00 2001 From: siavash32tm Date: Tue, 3 Jun 2025 15:19:43 +0200 Subject: [PATCH] added fairness --- index.html | 13 +- projects/convert_csv_to_html.ipynb | 27 +--- projects/fairness.html | 193 +++++++++++++++++++++++++++++ projects/fairness.xlsx | Bin 0 -> 9049 bytes 4 files changed, 210 insertions(+), 23 deletions(-) create mode 100644 projects/fairness.html create mode 100644 projects/fairness.xlsx diff --git a/index.html b/index.html index 820fc1f..254b507 100644 --- a/index.html +++ b/index.html @@ -160,7 +160,7 @@

اجتماعی

-

طراحی سیستم‌های توزیع‌شده برای مشارکت جمعی

+

طراحی سیستم‌های توزیع‌شده برای مشارکت جمعی و عبور از دوگانه‌ی کاربر-سرویس‌دهنده

@@ -209,6 +209,17 @@
+
+
+ ... +
+
انصاف الگوریتمی
+

الگوریتم‌هایی برای کشف و تصحیح محدودیت‌های سوگیرانه در رفتار مدل.

+ مشاهده جزئیات +
+
+
+ diff --git a/projects/convert_csv_to_html.ipynb b/projects/convert_csv_to_html.ipynb index cfb3774..c4b4460 100644 --- a/projects/convert_csv_to_html.ipynb +++ b/projects/convert_csv_to_html.ipynb @@ -63,15 +63,16 @@ }, { "cell_type": "code", - "execution_count": 2, + "execution_count": 6, "id": "ccb7eed8", "metadata": {}, "outputs": [], "source": [ "import pandas as pd\n", - "csv_file_path = 'proj_data_ex.xlsx'\n", + "#csv_file_path = 'proj_data_ex.xlsx'\n", "#csv_file_path = 'distributed_ai.xlsx'\n", "#csv_file_path = 'questionner.xlsx'\n", + "csv_file_path = 'fairness.xlsx'\n", "\n", "xls = pd.read_excel(csv_file_path, sheet_name=None, engine='openpyxl')\n", "\n" @@ -79,7 +80,7 @@ }, { "cell_type": "code", - "execution_count": 3, + "execution_count": 7, "id": "762b688a", "metadata": {}, "outputs": [ @@ -91,25 +92,7 @@ "
\n", "
\n", "
\n", - "
کشف روابط در پایگاه داده به وسیله‌ی مدل

پیدا کردن روابط در پایگاه داده؛ مثلاَ استفاده از مدل زبانی برای کشف رابطه‌ی استناد بین داده‌ها.

وضعیت پیشرفت
۲۰٪

  • نمونه‌ی اولیه کشف تاثیر با داده‌های MNIST.
  • نمونه‌ی اولیه کشف روابط با داده‌های MNIST.
  • توضیح‌پذیری مدل زبانی برای کشف تاثیر اطلاعات دادگان بر یکدیگر
  • جستجوی گراف متون بر اساس روابط تاثیر

آدرس گیت هاب

\n", - " \n", - "\n", - "
\n", - "
\n", - "
\n", - "
سیستم پیشنهاد دهنده با مدل تنبل

پیدا کردن یادگیری عمیق و تنبل برای بهینه استفاده در پشنهاد دهنده‌ها. داده‌های مورد ارجاع میتوانند نسبت به تغییر علاقه‌ی کاربر عوض شوند.

وضعیت پیشرفت
۰٪

  • سیستم پیشنهاد دهنده باتوجه به داده‌ها و اندازه‌گیری دقت مدل.
  • یادگیری تقویتی با انتخاب داده‌های برتر و بازآموزش مدل.

\n", - " \n", - "\n", - "
\n", - "
\n", - "
\n", - "
خلاصه سازی شرطی در پایگاه داده

آیا میتوان به صورت سلسله وار از مدل‌های مولد استفاده کرد و در هر مرحله با ترکیب خروجی با داده‌های دیگر خلاصه سازی نمود؟‍

وضعیت پیشرفت
۳۰٪

  • مدل زبانی بر پایه RAG
  • ترکیب داده‌های یک مرحله‌ای
  • ترکیب داده‌های چند مرحله‌ای

\n", - " \n", - "\n", - "
\n", - "
\n", - "
\n", - "
تخمین ارزش‌گذاری متن برا اساس معیار

سنجش میزان هماهنگی و شباهت متون با متن‌های معیار که از جانب متخصص آگاه تعیین شده‌اند.

وضعیت پیشرفت
۵۰٪

  • مهندسی پرامپت برای تخمین ارزش
  • مدل‌های دسته بندی ارزشی
  • مدل‌های بالفعل ارزش سنجی
  • مدل‌های منعطف با ارزش‌های جدید

آدرس گیت هاب

\n", + "
انصاف در اثرگذاری

روش متفاوتی ربای معیار سنجی انصاف مدل بر اساس میزان تاثیر کلی هر داده (یا گروه داده) بر روی تصمیمات مدل.

وضعیت پیشرفت
۴۰٪

\n", " \n" ] } diff --git a/projects/fairness.html b/projects/fairness.html new file mode 100644 index 0000000..3ffb5d4 --- /dev/null +++ b/projects/fairness.html @@ -0,0 +1,193 @@ + + + + + + انصاف الگوریتمی + + + + + + + + + + + + +
+
+

انصاف الگوریتمی

+

الگوریتم‌هایی برای افزایش آگاهی و ضمانت رعایت انصاف در استنتاج مدل‌ها.

+ بیشتر بدانید + +
+
+ + +
+
+

ویژگی ها

+
+
+
+ +
+

شفافیت در استنتاج

+

تشخیص نحوه‌ی عملکرد مدل‌ها بر اساس گروه‌های مختلف ذی‌نفع.

+
+
+
+ +
+

امکان تغییر در نحوه‌ی عملکرد مدل

+

ایجاد امکان تغییر در ابعاد مختلف تصمیم‌گیری مدل مانند انتخاب داده‌ها یا وزن‌دهی بهینه در برخورد با داده‌های گروه‌های مختلف.

+
+
+
+ +
+

تطابق با معیار‌های بومی

+

جهت‌گیری توسعه‌ی ابزاری با معیار‌ها و ارزش‌های و بومی و نسبت شفاف با الگوریتم‌ها .

+
+
+
+
+ + +
+
+

گام‌نمای پروژه

+
+
+
+
+
انصاف در اثرگذاری

روش متفاوتی ربای معیار سنجی انصاف مدل بر اساس میزان تاثیر کلی هر داده (یا گروه داده) بر روی تصمیمات مدل.

وضعیت پیشرفت
۴۰٪

  • تخمین سهم تاثیر داده‌ها
  • محاسبه تاثیر کناری برای دسته‌های مختلف داده
  • دسته‌بندی روش‌های متفاوت برای نسبت سنجی تاثیر
  • مقایسه‌ی شرایط منصفانه و غیر منصفانه
  • مقایسه‌ی کیفی شرایط تشخیص با روش‌های کنونی
  • اعمال شرط انصاف در آموزش مدل

+ + +
+
+
+ + + + +
+
+

ایا میخواهید در توسعه این پروژه مشارکت کنید؟

+

منتظریم

+ ارتباط با ما +
+
+ + + + + + + + \ No newline at end of file diff --git a/projects/fairness.xlsx b/projects/fairness.xlsx new file mode 100644 index 0000000000000000000000000000000000000000..5d07670001b14529e5e5fd48b4957486f4cc2ee6 GIT binary patch literal 9049 zcmeHtgACEU3!hug|sazKU>7%>;E_oTph)mu(o3IGCW>olS7Q8@tP-eGb~W0*3n=xQEza* zN>*qAGuCrWzA%Mf1ck&kV=W9VAvd+~QYdkgRDFy%DbnkXvteoVe(wFMl`$srMD?nX zhrrT^O+QmCfI4t&2B2yaSxs2VX+P}KDN2y1IB?KTwQx4JS(E>d>f$5qejCJTRS{gZ<+k)92|G54~$Nymt z{$=SU2}&v*AdHZG*_+Vb^T~xcpoD_ExNH-(rmw%;Ja$cV9xdrYD+3u&lOza1#;@7; zrXR8(6usR`efEvJBoY^2@KLRMX-M*wlPd}{y>pVZQ^`svj@#tv1_W2pqaU=xekGVfkn>eEXSEe%V4s|u4$X8{^dBQx7C$5Lsnc(>kc%IUr8 zG~BosoWn9bblInVdez*A0~wy3yl5T8y$5}Pk(3`6VIJzABzf*aKY@$@0NlVRgbmvn z4_kJ32WJ}-2M3!UeycB`WRW=!(C?hqpbzX7q6?=j6sXGPmw-4N8x>jORG^z zEZT0}Cz2oMVP9}lGcm;$5#a)Ni}1}Q1%rp*tgF+ao_nu>#Lc_An8l~H8K9{AbHMm` zi3ds9D21b=E9VXa=O5kU>3yB1HFLdR#a1kVHj$8_e`do%m zn9$h|ZUeM&AFD$%#**A$1s{gQ zUhios7OydOVM~`!6A3@R_^o%A`2uq}*2gl?o&mIHr{!FfpQJF3U|CMrydiof9JTcN zMH6LEEOl_E$@%>HLGW7=?}W)^B%2C^j=SVhkZkd&JVx6!t=>sHn^-7{f?-A4vqr3s zMMnA6smyU2K)ZEfURH$>V2E>v8{YEUqGGv0^a|uW<0YBJmB{pA0t~A2o?v5nU`L@k zQQREYX?cH9Tjn~h)b8^N(I?s%)+n@yP%#BdMZ&A}l=+WZ@!3}ChBgPFNhvmuxh=!@ zZxdRHp9l!k>EXqbNQ2v$n8q;mEf0hYoDvfP6Hfyfg-BK?6xU93d%oKrvY;j2zPd!g z!Lv5q6ra~ynma$|Kzyh*k9IoGh_X2RQj|(Jd5uCH1->tn2|=-NH7h-gVznvXA2 zX}v{|0-3=+3?*JLReB~P_>frCYTFyj4hj}mnyg-#H#8T~F4 z<#R=JGvRB4utg(3w(TM{o%7+#l?5JAZ=p4FT`8jpaiG zF5)XZ+kHVKhr#1P1XPo~Qi?zsBs|>R?VaL1bgXw^yathkUe-)}zV!=6I^xj0LK>-) zhOrQC>miUUr!{zlydP#}2ddZnuU>2HmIhYW)lt1;dinjnK@xI?oE7LvIeJWtCMSgH z2^ig+pk}#fdwPa?^!etclIM_3TizAMcd}vyilQgN-XShjp}jJceoP7A@42Z>TKg+5 z64(7qt&k(ufs_50YkfVFOR$svr^-B;TGd>FsmnUd$`Zkz_}$8aEzQkc!0bOKjvwYW zJwYK70>TeI557amX?`@|$<5&u0#r$veX9&6KWiuMcl(?{LtX;E7I#jUag!L{N6-6~Q&gZ89aD@} zwjw86Davk0Ck~Sc2e}L>(!qKoI_zSzjWB>r`SAG5ohbo!9ujcYg{-Xek%zel zb~)$mRYro^Skv-0pBQJ8M@y`zDHr`(v`f}KH3lUIHp(RVvLN$yI-N*MWtIEPL1IN8 z=G5)utbHx5k=CXDQ8NLi_kCaiL;AcYS@Z+5TsmAODHl}DlP^njVDl~y) zaCBp?IBT+azEKxwdI3sgS9U#-NoY5l=@ zaw*F&i=$2G_=5m~O6VI;b{wtKm9wenk7@S3I?Dqo--|L$Vu2W07@uQ3voBIu4E<)& zxWs3Px#Uv2S@TQ2u;%Ut>MG6>d?Gied)e2|x2cmMyPY4L`gE7!kX?AZVRn;Qu0DyX zQ$jm2y-Og-+MCuDG2SI+*4avi6U(N3HJJ2S8MTL<$G&Ed;!LevrKMygd|)YglV$?2 z_TW62jcSIzy3R(fcW>$7XN>T3l~qi#iYli{tn$NOS)TREDX~;)agK0lt26d14*ORs z9HD>7EtG#CcS%Qg*#I(>wl-gv@RxZ#*=AXpvu-H1op%{*x3+ zqW-L}VTAA}`H?pNB!!Emxt%%t&+AV{rYp64*3Dsda*5hwWMz`P3`l| zmG_qx)1#STPJ!eVDwh=7^_9TLX6v^q*~Eu7wgDO*Jf^yVi1ROxx49)ZmU(j~8#jU{ z5#uLZ)!+C-1V0g{zObM*XuP)BKzLC1ak ztB!GeS)Yf}JYE*>Ii1MTUuZRa>J^MbAZYufDd&o1_d(E>mBDH1U{9K|kLW=Mw7V5v zwKAHN8)b!R{z3!5o%%%<{J3#Adm4Hg1YaC*q!799`)TO|vB#jFX(X68P86YBtijI@ zU6f23_!M@}FH+H&uN&+A^LDcjZXBi`XS8h4UUgPc18C!D#MNa=2t7jRRl9I<&C+o;!oHd^enyff4t-e; z#cW2tNftFS_!yQg9K~(Zhn{j!O5fMBk{HD*)zge-Xn=X-xJ3rSNt7Ecb~e!=%XKN! z|9o``@q>lgm)CV!hQim6_fKdtcP^4!eQ%FqMU6Hny7iD(y3U7!dXM)Yyy*sZbO|(yf-~sL-I2?Kl1K@hVBFbjc_wsr#!DL%?Uu2t^KI zo)TjUZ*Kz&Q7HAs_qM%}tnJ-zLUC=n(JnqU+c5EwW)#L@iHNP&D+i~<7fM=clA_h5&D$;#ay%#0 zM?l~mj;nIwq;H|65eXlKCp>*pbDDnKewr?b-fdi3{%(?<$mpQd4P#&}Md?`Bx|IGr zuffBSw%?6?rn=)!Vr{cR7uv)Fom6%!JL|E5A3L*?waiGRB_YHebbVyD;z~QwTlV@X zq&=5zpx0m|Y@)4kv%b$aZ}|*8Z(AX)t4EztHy{z|L;}+HDnF zE7F@(dxbK=PzIUgt-Q9Yjh_Y8h9?eOl{{289#Z43d?;r1B(#Q=z>z z`0?m-Vj2camfPv>^A$K>JZBKu1fUpaSB|Ny*>3gEw`l}I5k7_Y9zDD>cw-*#G%6!B zgit2MpdIuYHJ$$rEx9(9p9Utk7D;aXo08v{`^bcWJCmhydC=5Q< zQ?k~sry8Nbfrdd|##BguGqCWjXws>14%8`U(OM~vCBHgHpCxfS4!!|FmcHio6hpF^PrsX8djhjYmS#~z{neU!@&4V~Hy|*B!PsZU zzS_&UU||!B#kY03s5-Agdn;7!ljyFDc(Jhewt&ThU3b!WN-Vv%6@*U-L{DgMpEZr0 z?3|V@?baguo?BH$1;lS0sdd7)7klj8qyL-J`Ve$k1BB(vM6l8?=5J05?BZ!_4*n6o zeb%zGfq;N_A~Sx#E9e!S(>p{+ft59*i|Gi~nO5a@O-*)bbpZ?0dmn~YTId|K!1NJN zVPhOTyZ{zpu!vsX46yEaqv+&;`$Eb*N1ncp>CPj~3mg?iS4I0=?%g-xCl{<<*Yq52 z!&`&o1%z;~xtUr%)f!&4FhM_1txHX6wx`KkiL=_CPVv?h=5s^imVNONxr~7HPN5a} zUHks1x%=)l+Kg&=13Xb&O%9bH+^!>QmbdhzSej{$@((6nbCKsrV~gwUB=Q9k=n-qp z;(a;Q(y9y;DQG%)D8dvY>whDV4>}9lRD(wQ(v3|_p9JtjgciN#yCmquQ3Q z_?*1`>FWZEYW;aX?lF=u5Gx6It*g#h#$824u31(iOJlj=B+du1T%TvAAzE@@? zYNeW_ASw46qlKRgV3kAoZaDNpg#$AH-$g^8D!G2~+j2p@$z*WliH~n{{>gmaz@&xw?)Np#jM%fg@={z4K|q z^p(jy#?_fh+R087vGqOWWM=`CAqy5A@v+HCX#J^V)g<^N`r@=RceH4Js_mk_W1sf_ zHQrl&=95baOM*0DZ4&(7sbgvEY;LCE;%sGa@smNXH5FpU#qj4JIfW)^S5RTGN~6-H zBH=RlBj_lrm?+I-L9qhK#lsVyDz|lWA%8oh9kt}^+cE2r`;aVkIU~!;Iy<>PSzI*j zym|zl!OJo$36g!1kzCXGDE}zWEn7foqvP70-B3`1RHdfbFyCzalBNbc`|2t`rv_(J zt8vREdaKpRV9(urb4za``2mBr8rdu4ET^8yTb);S3vb6>3!iH>`>uo-W|OVRAee*B z+i?&Gyvcg&P_idS#EXsf=t07>j!MNVoD~QV^=qdQUR48;?SYx(evb@mJTlbPEgOS9 zwcUD*Yc-<4B8+o**IRbQ&ZD9z4Qa68;#XT5OJfE%R{#7HQ?5J-)tKpd=}!`|V;?!DLq?x*s^}dAQMk;5wfa`V z&=?q~!!5qDWn(e(#rb#)pGS##8cG-2Et-y4u%dC<5IpLs2HHzpP9dj3%1t)bmyc4o zA}X;#l;jj=y3xrL)Kuo<3i&6F?~vCX74Ex5eLQbc&8dEcw97k`w2zfvsrb@l4Q}1T z2ckra+Nq3mySP|<9CQyZb8r$5-B?3)mIIHJ&Ui<#W%YC<1HEKMUs}vBp)VObC@ChXCU_wvqaIQrASq~L6If|17&n19 zl#^axTAe>d?iygz-(m^Jht)xx^n&Sq(l^4*X#|{%xOB|kEB$10e=ZCAEw#oOqU&-^h9he?q704d;PCTy8?=D+_*1=!E$`R19oyDE)(^&ZP=P$;l z1z8;WI#yo>AMr&M`tlujY|+0<+>D`3jOFRix~vuRqgDwh!(GixvCU0U#7+1r)5%4p za@h60&+lJ#(Y@L2EF7kbII!3N_*Y#tc69tt6=7TU`$$g^cYuH}g7*=wC@~gD`S(;Y z0!mC|1y3rB;Sy>slnPCAs%XPX;&-QGYey$^-RGj$ygaU?Dfqk4wRWZCc^NzPV#%;Od{Q?I^#WN#~qal)S z`rDL4>tU5S-|k+tvG6}67`JO{c_|}fz|8M3IYokPgEbX>h$`QLJ%Ny7Y(=`tX+1e! zgrdOlaMSmAu1xB1fC_`}?WU3&JVkY&4!4apiirI2?<%hk|vG2sLHPm~f zc;63P{b=(1R*QjyXM_3Se}9SLkK_7d{+Cx8R2BX%;P36$KY%~xWEdy@(tQ0D_-hO5 zPv~b@b?BFd)UV*b7vukg0s#AHKf(W>()_P-eyz~{DTxN-|NV)7)N6m0@@q-!Pbs{x zeTOaO*8oL4OUlewFZdfBGjLh9(67{^4DJ kh5y|I{uPc$@fY~-22oW333j>wzysLFALhV2sD6C=KRs)+p8x;= literal 0 HcmV?d00001