diff --git a/IBC.log b/IBC.log index 8c753a0..80a05e1 100644 --- a/IBC.log +++ b/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 File: Ergebnis_ibc.png Graphic file (type 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> -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 diff --git a/IBC.pdf b/IBC.pdf index 57810e6..1b46ce6 100644 Binary files a/IBC.pdf and b/IBC.pdf differ diff --git a/IBC.tex b/IBC.tex index a8be13a..7e7d0e3 100644 --- a/IBC.tex +++ b/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} \ No newline at end of file