fairlearn/fairlearn

ENH Add mitigation algorithm from "Optimized Pre-Processing for Discrimination Prevention" by Calmon et al.

Open

#1.028 geöffnet am 15. Feb. 2022

Auf GitHub ansehen
 (5 Kommentare) (0 Reaktionen) (0 zugewiesene Personen)Python (504 Forks)auto 404
enhancementhelp wanted

Repository-Metriken

Stars
 (2.254 Stars)
PR-Merge-Metriken
 (PR-Metriken ausstehend)

Beschreibung

The paper Optimized Pre-Processing for Discrimination Prevention by Calmon et al. introduces a preprocessing algorithm for demographic parity while limiting the number of individual distortions. The goal of this task is to add the algorithm described in this paper to Fairlearn.

  • The original implementation by the authors of the paper can be found here.
  • An existing implementation can be found in AIF360 OptimPreproc.

Completing this item requires:

  • technique code in fairlearn.preprocessing
  • unit tests in test.unit.preprocessing
  • descriptive API reference (directly in the docstring)
  • a short user guide in docs.user_guide.mitigation.rst

A fully fledged example notebook is not required.

To claim this task please respond below. Of course, you can also ask questions!

Contributor Guide

Research-Richtung
Studieren Sie das Paper und die vorhandenen Implementierungen in AIF360 und im ursprünglichen Repository. Implementieren Sie dann den optimierten Vorverarbeitungsalgorithmus im Vorverarbeitungsmodul von Fairlearn gemäß den Codierungskonventionen des Projekts. Schreiben Sie Unit Tests und aktualisieren Sie die Dokumentation.
Tech Stack
python
Domain
ai
Issue Type
Funktion
SchwierigkeitGeschätzte Implementierungsschwierigkeit für neue Contributors, von 1 für sehr kleine Änderungen bis 5 für Expertenarbeit.
3
Geschätzte ZeitEin grober Zeitrahmen, um zu recherchieren, zu implementieren, zu testen und einen Pull Request vorzubereiten.
3-5 Tage
AktivitätsstatusWie verfügbar das Issue gerade wirkt: frisch, aktiv, stale, blockiert oder wartet auf Maintainer-Input.
Frisch
KlarheitWie klar das Issue die erwartete Änderung, Akzeptanzkriterien und den nächsten Schritt erklärt.
Klar
Voraussetzungen
PythonGitMachine Learning
EinsteigerfreundlichkeitEin Score von 1 bis 100, der schätzt, wie zugänglich dieses Issue für First-Time Contributors ist.
60