‘update‘

IBC.log

@@ -1,4 +1,4 @@
-This is LuaHBTeX, Version 1.13.0 (TeX Live 2021)  (format=lualatex 2021.8.7)  25 AUG 2021 20:55
+This is LuaHBTeX, Version 1.13.0 (TeX Live 2021)  (format=lualatex 2021.8.7)  1 SEP 2021 20:49
  restricted system commands enabled.
 **IBC.tex
 (./IBC.tex
@@ -1044,7 +1044,7 @@ LaTeX Font Info:    Font shape `TU/lmtt/bx/n' in size <10> not available
 <Ergebnis_ibc.png, id=204, 547.04375pt x 492.84125pt>
 File: Ergebnis_ibc.png Graphic file (type png)
 <use Ergebnis_ibc.png>
-Package luatex.def Info: Ergebnis_ibc.png  used on input line 165.
+Package luatex.def Info: Ergebnis_ibc.png  used on input line 168.
 (luatex.def)             Requested size: 196.9356pt x 177.4227pt.
  [17
 
@@ -1075,7 +1075,7 @@ Here is how much of LuaTeX's memory you used:
    30 hlist, 7 vlist, 2 rule, 4 local_par, 84 glue, 8 kern, 21 penalty, 217 glyp
 h, 61 attribute, 61 glue_spec, 61 attribute_list, 4 write, 24 pdf_colorstack nod
 es
-   avail lists: 2:288,3:131,4:246,5:62,6:59,7:1938,8:47,9:224,10:12,11:6
+   avail lists: 2:288,3:135,4:246,5:63,6:59,7:2442,8:47,9:230,10:12,11:6
  41762 multiletter control sequences out of 65536+600000
  64 fonts using 5902119 bytes
  131i,11n,125p,406b,435s stack positions out of 5000i,500n,10000p,200000b,80000s
@@ -1084,7 +1084,7 @@ es
 f></usr/local/texlive/2021/texmf-dist/fonts/opentype/public/lm/lmmonolt10-bold.o
 tf></usr/local/texlive/2021/texmf-dist/fonts/opentype/public/lm/lmmono10-regular
 .otf>
-Output written on IBC.pdf (19 pages, 123784 bytes).
+Output written on IBC.pdf (19 pages, 124180 bytes).
 
 PDF statistics: 258 PDF objects out of 1000 (max. 8388607)
  211 compressed objects within 3 object streams

IBC.tex

@@ -98,22 +98,25 @@ Konsequenz: Diskriminierende Algorithmen (auch Gender Bias, Racial Bias, Neurodi
 \end{itemize}
 \item Omitted Variable Bias: Wichtige Daten werden nicht im Modell berücksichtigt
 \begin{itemize}
-	\item Beispiel
+	\item Ein Programm das die Kündigung von Abos (zB Netflix) prognostiziert, aber neue Konkurrenzangebote nicht beachtet
 \end{itemize}
 \item Represenation Bias: Fehlende Diversität in den verfügbaren Daten
 \begin{itemize}
-	\item Beispiel
+	\item Coded Gaze, Joy Buolamwini
 \end{itemize}
 \item Aggregation Bias: Spezifische Eigenschaften von Minderheiten gehen im gesamten Datensatz unter/Ableiten von Aussagen über Individuen aus Minderheit aus allgemeinem Datensatz
 \begin{itemize}
-	\item Beispiel
+	\item Diskriminierungsklage gegen die Universität Berkeley
 \end{itemize}
 \end{itemize}
 \end{frame}
 
 \begin{frame}{Bias durch Design}
 \begin{itemize}
-\item Evaluation Bias: Ergebnis wird an unrealistischen oder unfairen Kriterien gemessen
+\item Evaluation Bias: Ergebnis wird an unrealistischen Kriterien gemessen
+\begin{itemize}
+	\item Bias in Gesichtserkennung fällt nicht auf, weil Benchmarkdatenset gebiast ist
+\end{itemize}
 \end{itemize}
 \end{frame}
 
@@ -139,8 +142,8 @@ Konsequenz: Diskriminierende Algorithmen (auch Gender Bias, Racial Bias, Neurodi
 
 \begin{frame}{Bias in iBorderCtrl}
 \begin{itemize}
-\item Measurement Bias: Schauspieler*innen statt echte Situationen
-\item Omitted Variable Bias: Nervosität durch Stress beim Grenzübergang
+\item Measurement Bias: Schauspieler*innen statt echte Situationen, Stress beim Grenzübergang löst u.U. gleiche Symptome wie Lügen aus (?)
+\item Omitted Variable Bias: Lügen zeigt sich in nichterfassten Phänomenen
 \item Representation Bias: fehlende Diversität race, gender, neurdiversity, disability, health, scars
 \item Aggregation Bias: s. representation bias, teilweiser Versuch der Gegensteuerung
 \item Overfitting: 73 Prozent in Testdaten vs 93 Prozent in Trainingsdaten, das impliziert Overfitting ist wahrscheinlich
@@ -180,3 +183,9 @@ Konsequenz: Diskriminierende Algorithmen (auch Gender Bias, Racial Bias, Neurodi
 \end{itemize}
 \end{frame}
 \end{document}
+
+\begin{frame}{Quellen}
+\begin{itemize}
+\item Quelle 1 ..
+\end{itemize}
+\end{frame}