Typo dans le tableau d'exemple de regression non équitable.

2 files changed, 3 insertions, 3 deletions

diff --git a/background/eq.tex b/background/eq.tex
index 64f3de3..f1397a0 100644
--- a/background/eq.tex
+++ b/background/eq.tex
@@ -26,7 +26,7 @@ Alors ce programme serait discriminatoire car bien que 50\% des femmes et 50\% d
         \makecell{
         \textbf{Répartition}\\
         $\#\{Y=0\}/\#\{Y=1\}$}
-        &10/10&50/50&60/60\\
+        &50/50&10/10&60/60\\
         \hline
         \textbf{Exactitude}&1&0,5&0,92\\
         \hline
@@ -49,7 +49,7 @@ Il y a différentes définitions mathématiques de l'équité de groupe.
 Nous allons en regarder trois qui sont bien établies dans la littérature et souvent utilisées : l'effet différencié\footnote{\textit{disparate impact}} la parité démographique\footnote{\textit{Demographic parity}} et l'équité des chances\footnote{\textit{Equality of odds}}.
 
 Pour cela nous allons considérer le cadre suivant :
-Nous avons un classifieur modélisé par une variable aléatoire $\hat{Y}$ qui essaie d'inférer l'étiquette $Y$.
+nous avons un classifieur modélisé par une variable aléatoire $\hat{Y}$ qui essaie d'inférer l'étiquette $Y$.
 Ces deux variables prennent leurs valeurs dans un ensemble $F$.
 De plus, nous avons l'attribut sensible modélisé par $S$ qui prend ses valeurs dans $G$.
 
@@ -125,7 +125,7 @@ Le nom de la méthode vient de l'utilisation de l'algorithme \textit{Exponentiat
 \paragraph{Rééquilibrage adverse}\footnote{\textit{Adversarial debiasing}}
 Cette méthode prend le problème sous un tout autre angle~\cite{10.1145/3278721.3278779}.
 Au lieu d'intégrer les contraintes d'équité lors de l'apprentissage, elle utilise l'idée suivante : 
-La parité démographique signifie que l'attribut sensible est indépendant de la sortie, donc s'il est impossible pour un adversaire de prédire l'attribut sensible à partir du logit, le modèle doit satisfaire cette définition.
+la parité démographique signifie que l'attribut sensible est indépendant de la sortie, donc s'il est impossible pour un adversaire de prédire l'attribut sensible à partir du logit, le modèle doit satisfaire cette définition.
 C'est une remarque très juste que nous allons étudier en détail et démontrer dans les Chapitres~\ref{sec:fini} et~\ref{sec:aia}.
 
 La méthode de Zhan et al. consiste donc à utiliser deux réseaux de neurones.
diff --git a/template_these_INSA_cotut.pdf b/template_these_INSA_cotut.pdf
index a6c85e8..befa008 100644
--- a/template_these_INSA_cotut.pdf
+++ b/template_these_INSA_cotut.pdf