AIF360下載 - AIF360源碼下載

AIF360

Ai源碼

v0.6.1

下載

人工智慧公平 360 (AIF360)

AI Fairness 360 工具包是一個可擴展的開源程式庫，其中包含研究社群開發的技術，可協助偵測並減輕整個 AI 應用程式生命週期中機器學習模型中的偏差。 AI Fairness 360 套件在 Python 和 R 中均可使用。

AI Fairness 360 套餐包括

一套全面的資料集和模型指標，用於測試偏差，
對這些指標的解釋，以及
減輕資料集和模型偏差的演算法。它旨在將實驗室的演算法研究轉化為金融、人力資本管理、醫療保健和教育等廣泛領域的實際實踐。我們邀請您使用它並改進它。

AI Fairness 360 互動體驗對概念和功能進行了溫和的介紹。這些教程和其他筆記本提供了更深入、面向資料科學家的介紹。完整的 API 也可用。

作為一組全面的功能，確定哪些指標和演算法最適合給定用例可能會令人困惑。為了提供幫助，我們創建了一些可供參考的指導材料。

我們開發該軟體包時考慮到了可擴展性。該庫仍在開發中。我們鼓勵您貢獻指標、解釋器和去偏演算法。

在 Slack 上與我們聯繫（此處為邀請）！

支援的偏差緩解演算法

優化預處理（Calmon 等人，2017）
不同的影響消除器（Feldman 等人，2015）
均等賠率後處理（Hardt 等人，2016）
重新稱重（Kamiran 和 Calders，2012）
拒絕選項分類（Kamiran 等人，2012）
偏見消除正則化器 (Kamishima et al., 2012)
校準的均衡賠率後處理（Pleiss 等人，2017）
學習公平表示（Zemel 等人，2013）
對抗性去偏見（Zhang et al., 2018）
公平分類的元演算法（Celis 等人，2018）
豐富子群公平性（Kearns、Neel、Roth、Wu，2018）
指數梯度下降（Agarwal et al., 2018）
網格搜尋減少（Agarwal et al., 2018, Agarwal et al., 2019）
公平資料適應（Plečko 和 Meinshausen，2020；Plečko 等人，2021）
敏感集不變性/敏感子空間穩健性（Yurochkin and Sun，2020，Yurochkin et al.，2019）

支持的公平性指標

從選擇率和錯誤率得出的綜合組公平性指標，包括豐富的子組公平性
一套全面的樣本失真指標
廣義熵指數（Speicher 等人，2018）
差異公平性和偏差放大（Foulds 等人，2018）
多維子集掃描的偏移掃描（Zhang，Neill，2017）

設定

右

install.packages( " aif360 " )

有關 R 設定的更多詳細信息，請參閱此處的說明。

Python

支援的 Python 配置：

作業系統	Python版本
macOS	3.8 – 3.11
烏班圖	3.8 – 3.11
視窗	3.8 – 3.11

（可選）建立虛擬環境

AIF360 需要許多 Python 套件的特定版本，這可能與系統上的其他專案衝突。強烈建議使用虛擬環境管理器來確保安全安裝相依性。如果您在安裝 AIF360 時遇到問題，請先嘗試此操作。

康達

儘管 Virtualenv 通常可以互換用於我們的目的，但建議將 Conda 用於所有配置。如果您尚未安裝 conda，Miniconda 就足夠了（如果您好奇，請參閱 Anaconda 和 Miniconda 之間的差異）。

然後，要建立新的 Python 3.11 環境，請執行：

conda create --name aif360 python=3.11
conda activate aif360

shell 現在應該看起來像(aif360) $ 。若要停用環境，請執行：

(aif360)$ conda deactivate

提示符號將回傳$ 。

使用`pip`安裝

若要從 PyPI 安裝最新的穩定版本，請執行：

pip install aif360

注意：某些演算法需要額外的依賴項（儘管指標都可以開箱即用）。若要安裝包含某些演算法依賴項的版本，請執行，例如：

pip install ' aif360[LFR,OptimPreproc] '

或者，為了獲得完整的功能，請運行：

pip install ' aif360[all] '

可用附加功能的選項有： OptimPreproc, LFR, AdversarialDebiasing, DisparateImpactRemover, LIME, ART, Reductions, FairAdapt, inFairness, LawSchoolGPA, notebooks, tests, docs, all

如果遇到任何錯誤，請嘗試故障排除步驟。

手動安裝

克隆此存儲庫的最新版本：

git clone https://github.com/Trusted-AI/AIF360

如果您想執行範例，請立即下載資料集並將它們放置在各自的資料夾中，如 aif360/data/README.md 中所述。

然後，導航到專案的根目錄並運行：

pip install --editable ' .[all] '

運行範例

若要執行範例筆記本，請完成上述手動安裝步驟。然後，如果您沒有使用[all]選項，請安裝附加要求，如下所示：

pip install -e ' .[notebooks] '

最後，如果您還沒有下載資料集，請按照 aif360/data/README.md 中的說明下載資料集。

故障排除

如果您在安裝過程中遇到任何錯誤，請在此處尋找您的問題並嘗試解決方案。

TensorFlow

有關詳細說明，請參閱使用 pip 安裝 TensorFlow 頁面。

注意：我們需要'tensorflow >= 1.13.1' 。

安裝完tensorflow後，請嘗試重新執行：

pip install ' aif360[AdversarialDebiasing] '

僅在與aif360.algorithms.inprocessing.AdversarialDebiasing類別一起使用時才需要 TensorFlow。

CVXPY

在 MacOS 上，如果您以前從未安裝過，則可能首先必須安裝 Xcode 命令列工具：

xcode-select --install

在 Windows 上，您可能需要下載適用於 Visual Studio 2019 的 Microsoft C++ 建置工具。

然後，嘗試透過以下方式重新安裝：

pip install ' aif360[OptimPreproc] '

CVXPY 只需要與aif360.algorithms.preprocessing.OptimPreproc類別一起使用。

使用AIF360

examples目錄包含各種 jupyter 筆記本集合，它們以各種方式使用 AI Fairness 360。教學和示範都說明了使用 AIF360 的工作代碼。教程提供了額外的討論，引導使用者完成筆記本的各個步驟。請在此處查看有關教程和演示的詳細信息

引用 AIF360

本文提供了 AI Fairness 360 的技術描述。以下是本文的 bibtex 條目。

 @misc{aif360-oct-2018,
    title = "{AI Fairness} 360:  An Extensible Toolkit for Detecting, Understanding, and Mitigating Unwanted Algorithmic Bias",
    author = {Rachel K. E. Bellamy and Kuntal Dey and Michael Hind and
	Samuel C. Hoffman and Stephanie Houde and Kalapriya Kannan and
	Pranay Lohia and Jacquelyn Martino and Sameep Mehta and
	Aleksandra Mojsilovic and Seema Nagar and Karthikeyan Natesan Ramamurthy and
	John Richards and Diptikalyan Saha and Prasanna Sattigeri and
	Moninder Singh and Kush R. Varshney and Yunfeng Zhang},
    month = oct,
    year = {2018},
    url = {https://arxiv.org/abs/1810.01943}
}