27 fev 2025
09:00 Defesa de Mestrado Sala 85 do IC2
Tema
Uma Máquina de Gradient Boosting para Equidade Rawlsiana de Subgrupos
Aluno
Jansen Silva de Brito Pereira
Orientador / Docente
Marcos Medeiros Raimundo
Breve resumo
Nos últimos anos, a equidade no aprendizado de máquina emergiu como uma preocupação crítica para garantir que os modelos preditivos desenvolvidos e implantados não apresentem previsões distintas para grupos marginalizados. No entanto, é essencial evitar decisões tendenciosas e promover resultados equitativos ao lidar simultaneamente com múltiplos atributos de (sub)grupos (gênero, raça etc.). Neste trabalho, consideramos a aplicação do conceito de equidade Rawlsiana para subgrupos a máquinas de gradient boosting projetadas para problemas de aprendizado supervisionado. Nossa abordagem expandiu as metodologias de gradient boosting para explorar uma gama mais ampla de funções objetivo, que combinam perdas convencionais, como as oriundas de problemas de classificação e regressão, e um termo min-max de equidade. O processo de otimização explorou os problemas primal-dual em cada rodada de boosting. Este framework genérico pode ser adaptado a diversos conceitos de equidade. O algoritmo proposto, de gradient boosting primal-dual min-max, mostrou-se empiricamente uma abordagem poderosa e flexível para enfrentar a equidade binária e por subgrupos.
Banca examinadora
Titulares:
Marcos Medeiros Raimundo IC/UNICAMP
Saullo Haniell Galvão de Oliveira FAS/PUC-Campinas
Leonardo Tomazeli Duarte FCA/UNICAMP
Suplentes:
Jacques Wainer IC/UNICAMP
Fernando José Von Zuben FEEC/UNICAMP