aia/intro.tex


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

Nous avons vu à la Section~\ref{sec:background-eq-imp} que, pour imposer l'équité à un modèle, nous pouvons utiliser différentes méthodes qui agissent lors de l'entraînement.
Utiliser ces méthodes peut causer une augmentation de certain risque liée à la confidentialité des donnée d'entraînement, ainsi il est admis qu'il y ai un compromis à faire entre équité et confidentialité~\cite{duddu2023sok}.
Cependant ce compromis ne concerne que les risques liées aux attaques de MIA~\cite{chang2021privacy,cummings,ijcai2022p766}.

Dans ce chapitre nous allons étudier les interactions entre ces mécanismes d'équité et l'attaque AIA.
Nous allons montrer que sous cet angle, l'équité et la confidentialité travaillent de concert.
Cette étude peut être vue sous deux angles.
Le premier aspect consiste à étudier comment les mécanismes d'équité peuvent être utilisé pour mitiger différent 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.

Dans ce chapitre nous apportons les contributions suivantes: :
\begin{itemize}
    \item Une définition de l'équité qui généralise la parité démogrpahique à la régression.
    \item Diverse relations analytique et synthétique entre AIA, parité démographique et équité des chances qui remplissent les objectifs de:
        \begin{itemize}
            \item calcul de niveau d'équité en boîte noire et
            \item garanties théoriques sur le niveau de confidentialité des données des utilisateurs de modèles.
        \end{itemize}
    \item La construction de deux nouvelles attaques AIA efficaces quand l'attribut sensible présente un déséquilibre.
    \item Une étude empirique des relations entre niveau d'équité, utilisation d'algorithmes imposants l'équité et succès des attaques AIA.
\end{itemize}