A Q2BSTUDIO, empresa líder en desenvolupament i serveis tecnològics, ens especialitzem en la creació de solucions innovadores per al processament i anàlisi de dades. En aquest context, explorem estratègies avançades per a l'aprenentatge supervisat just basat en la privadesa diferencial (DP-based Fair Supervised Learning). Aquest enfocament és clau per garantir que els models d'intel·ligència artificial i machine learning siguin equitatius i no introdueixin biaixos no desitjats en les seves prediccions.
En els nostres experiments treballem amb diversos conjunts de dades de referència a la comunitat d'aprenentatge automàtic: COMPAS, Adult i CelebA. Aquests conjunts de dades contenen atributs sensibles com raça i gènere, permetent avaluar l'equitat dels models entrenats.
Per a l'entrenament es van utilitzar diferents mètodes d'aprenentatge basat en privadesa diferencial, incloent algorismes de classificació justos basats en estimació de densitat, informació mútua i correlació màxima. Els models implementats van incloure regressió logística per a una classificació lineal i xarxes neuronals profundes per capturar patrons més complexos a les dades.
L'arquitectura de xarxes neuronals utilitzada va variar segons el conjunt de dades:
1. Per a COMPAS, es va implementar un perceptró multicapa (MLP) amb 4 capes ocultes i 64 neurones per capa.
2. En el cas del conjunt de dades Adult, es va emprar un MLP amb 4 capes ocultes i 512 neurones per capa.
3. Per a CelebA, el format de dades del qual es basa en imatges, es va utilitzar ResNet-18, una arquitectura optimitzada per a aquest tipus d'entrada.
Els resultats obtinguts demostren que l'ús de tècniques d'aprenentatge supervisat just basades en privadesa diferencial permet millorar l'equitat dels models sense comprometre'n el rendiment. A Q2BSTUDIO seguim compromesos amb el desenvolupament de solucions tecnològiques avançades que prioritzin la transparència, l'equitat i la privadesa en el processament de dades. El nostre equip treballa contínuament per millorar i aplicar noves metodologies per garantir models justos i eficients en diverses aplicacions industrials.
