diff options
Diffstat (limited to 'aia')
| -rw-r--r-- | aia/aia.tex | 7 | ||||
| -rw-r--r-- | aia/intro.tex | 1 | ||||
| -rw-r--r-- | aia/methodo.tex | 6 |
3 files changed, 13 insertions, 1 deletions
diff --git a/aia/aia.tex b/aia/aia.tex index 0b20084..147cf3d 100644 --- a/aia/aia.tex +++ b/aia/aia.tex @@ -1,4 +1,5 @@ \subsection{Modèle de menace}\footnote{\textit{Threat model}} +\label{sec:aia-tm} Nous considérons qu'un adversaire souhaite conduire une AIA pour un attribut sensible sur un modèle cible. Le but de l'adversaire est d'inférer l'attribut sensible à partir uniquement des prédictions du modèle cible. L'adversaire a accès à une base de données que nous appelons auxiliaire et qui ne contient pas d'individu en commun avec la base de données d'entraînement du modèle cible que nous appelons base cible. @@ -19,8 +20,14 @@ Nous allons l'utiliser pour construire une AIA qui donne la garantie théorique Nous appelons cette AIA : \AIAHard. \subsection{AIA pour les modèles de régression} +<<<<<<< HEAD +\label{sec:aia-soft} +Dans le cas d'un modèle cible qui effectua une régression nous avons $\#F$ infini donc nous ne pouvons pas utiliser \AIAHard. +Ce cas où l'adversaire a accès un modèle de régression prend en compte le cas où le modèle cible de prédiction divulgue un logit par exemple. +======= Dans le cas d'un modèle cible qui effectue une régression nous avons $\#F$ infini, donc nous ne pouvons pas utiliser \AIAHard. Ce cas où l'adversaire a accès au modèle de régression prend en compte le cas où le modèle cible de prédiction divulgue un logit par exemple. +>>>>>>> 642fa138bd0127b42b8906e412a5ee761b120ac2 C'est le modèle de menace qu'applique Song et. al~\cite{Song2020Overlearning} dans leur AIA. Nous utiliserons comme modèle d'AIA une forêt aléatoire puis nous optimiserons son seuil en utilisant la courbe ROC pour prendre en compte le déséquilibre de classes dans l'attribut sensible. diff --git a/aia/intro.tex b/aia/intro.tex index 3a3a262..eaaffd4 100644 --- a/aia/intro.tex +++ b/aia/intro.tex @@ -8,7 +8,6 @@ Cette étude peut être vue sous deux angles. Le premier aspect consiste à étudier comment les mécanismes d'équité peuvent être utilisés pour mitiger différents types d'AIA. Le second aspect, en lien avec le premier, est d'utiliser les AIA pour contrôler dans un environnement boîte noire le niveau d'équité d'un modèle. -\paragraph{Contributions} Dans ce chapitre nous apportons les contributions suivantes: : \begin{itemize} \item Une définition de l'équité qui généralise la parité démographique à la régression. diff --git a/aia/methodo.tex b/aia/methodo.tex index 8a70817..a64320d 100644 --- a/aia/methodo.tex +++ b/aia/methodo.tex @@ -48,3 +48,9 @@ Nous reportons dans la Section~\ref{sec:aia-resexp} contenant les résultats exp \caption{Simulation du modèle de menace} \end{figure} +\subsection{Imposer l'équité} +Nous comparons le succès de l'AIA avec et sans utilisation de mécanisme pour imposer l'équité. +Nous utilisons pour cela les mécanisme décrit à la Section~\ref{sec:background-eq-imp} : L'approche par réduction pour une classification équitable et le rééquilibrage adverse. +Nous imposons la parité démographique, le but de ses expérience étant d'observer si en pratique les mécanismes d'équité permette de mitiger les AIA. +Ainsi pour l'approche par réduction nous évaluons uniquement \AIAHard~ alors que pour l'approche adverse nous évaluons les deux AIA. + |