‘update‘
This commit is contained in:
parent
5a2d103c31
commit
20258c06cf
3 changed files with 19 additions and 10 deletions
8
IBC.log
8
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.
|
restricted system commands enabled.
|
||||||
**IBC.tex
|
**IBC.tex
|
||||||
(./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>
|
<Ergebnis_ibc.png, id=204, 547.04375pt x 492.84125pt>
|
||||||
File: Ergebnis_ibc.png Graphic file (type png)
|
File: Ergebnis_ibc.png Graphic file (type png)
|
||||||
<use Ergebnis_ibc.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.
|
(luatex.def) Requested size: 196.9356pt x 177.4227pt.
|
||||||
[17
|
[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
|
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
|
h, 61 attribute, 61 glue_spec, 61 attribute_list, 4 write, 24 pdf_colorstack nod
|
||||||
es
|
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
|
41762 multiletter control sequences out of 65536+600000
|
||||||
64 fonts using 5902119 bytes
|
64 fonts using 5902119 bytes
|
||||||
131i,11n,125p,406b,435s stack positions out of 5000i,500n,10000p,200000b,80000s
|
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
|
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
|
tf></usr/local/texlive/2021/texmf-dist/fonts/opentype/public/lm/lmmono10-regular
|
||||||
.otf>
|
.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)
|
PDF statistics: 258 PDF objects out of 1000 (max. 8388607)
|
||||||
211 compressed objects within 3 object streams
|
211 compressed objects within 3 object streams
|
||||||
|
|
BIN
IBC.pdf
BIN
IBC.pdf
Binary file not shown.
21
IBC.tex
21
IBC.tex
|
@ -98,22 +98,25 @@ Konsequenz: Diskriminierende Algorithmen (auch Gender Bias, Racial Bias, Neurodi
|
||||||
\end{itemize}
|
\end{itemize}
|
||||||
\item Omitted Variable Bias: Wichtige Daten werden nicht im Modell berücksichtigt
|
\item Omitted Variable Bias: Wichtige Daten werden nicht im Modell berücksichtigt
|
||||||
\begin{itemize}
|
\begin{itemize}
|
||||||
\item Beispiel
|
\item Ein Programm das die Kündigung von Abos (zB Netflix) prognostiziert, aber neue Konkurrenzangebote nicht beachtet
|
||||||
\end{itemize}
|
\end{itemize}
|
||||||
\item Represenation Bias: Fehlende Diversität in den verfügbaren Daten
|
\item Represenation Bias: Fehlende Diversität in den verfügbaren Daten
|
||||||
\begin{itemize}
|
\begin{itemize}
|
||||||
\item Beispiel
|
\item Coded Gaze, Joy Buolamwini
|
||||||
\end{itemize}
|
\end{itemize}
|
||||||
\item Aggregation Bias: Spezifische Eigenschaften von Minderheiten gehen im gesamten Datensatz unter/Ableiten von Aussagen über Individuen aus Minderheit aus allgemeinem Datensatz
|
\item Aggregation Bias: Spezifische Eigenschaften von Minderheiten gehen im gesamten Datensatz unter/Ableiten von Aussagen über Individuen aus Minderheit aus allgemeinem Datensatz
|
||||||
\begin{itemize}
|
\begin{itemize}
|
||||||
\item Beispiel
|
\item Diskriminierungsklage gegen die Universität Berkeley
|
||||||
\end{itemize}
|
\end{itemize}
|
||||||
\end{itemize}
|
\end{itemize}
|
||||||
\end{frame}
|
\end{frame}
|
||||||
|
|
||||||
\begin{frame}{Bias durch Design}
|
\begin{frame}{Bias durch Design}
|
||||||
\begin{itemize}
|
\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{itemize}
|
||||||
\end{frame}
|
\end{frame}
|
||||||
|
|
||||||
|
@ -139,8 +142,8 @@ Konsequenz: Diskriminierende Algorithmen (auch Gender Bias, Racial Bias, Neurodi
|
||||||
|
|
||||||
\begin{frame}{Bias in iBorderCtrl}
|
\begin{frame}{Bias in iBorderCtrl}
|
||||||
\begin{itemize}
|
\begin{itemize}
|
||||||
\item Measurement Bias: Schauspieler*innen statt echte Situationen
|
\item Measurement Bias: Schauspieler*innen statt echte Situationen, Stress beim Grenzübergang löst u.U. gleiche Symptome wie Lügen aus (?)
|
||||||
\item Omitted Variable Bias: Nervosität durch Stress beim Grenzübergang
|
\item Omitted Variable Bias: Lügen zeigt sich in nichterfassten Phänomenen
|
||||||
\item Representation Bias: fehlende Diversität race, gender, neurdiversity, disability, health, scars
|
\item Representation Bias: fehlende Diversität race, gender, neurdiversity, disability, health, scars
|
||||||
\item Aggregation Bias: s. representation bias, teilweiser Versuch der Gegensteuerung
|
\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
|
\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{itemize}
|
||||||
\end{frame}
|
\end{frame}
|
||||||
\end{document}
|
\end{document}
|
||||||
|
|
||||||
|
\begin{frame}{Quellen}
|
||||||
|
\begin{itemize}
|
||||||
|
\item Quelle 1 ..
|
||||||
|
\end{itemize}
|
||||||
|
\end{frame}
|
Loading…
Reference in a new issue