FairPrep: Neues Benchmark-Framework für faire Vorverarbeitung von Daten

Mit der zunehmenden Integration von maschinellen Lernsystemen in Entscheidungen von hoher Tragweite wächst die Notwendigkeit, algorithmische Ergebnisse gerecht zu gestalten. Dabei stehen drei Hauptansätze zur Bias‑Reduktion zur Verfügung: Vorverarbeitung, In‑Processing und Nachverarbeitung.

Während die letzten beiden Ansätze viel Aufmerksamkeit erhalten haben, bleiben Vorverarbeitungs‑Methoden – die auf der Datenebene operieren – oft im Hintergrund. Sie bieten jedoch wichtige Vorteile wie Modellunabhängigkeit und bessere Einhaltung von Datenschutzbestimmungen, fehlen jedoch standardisierte Evaluationswerkzeuge.

Hier kommt FairPrep ins Spiel: ein erweiterbares, modulares Benchmark‑Framework, das speziell für die Bewertung von fairen Vorverarbeitungs‑Techniken auf tabellarischen Datensätzen entwickelt wurde. Auf der Basis der AIF360‑Plattform ermöglicht FairPrep die nahtlose Integration von Datensätzen, Fairness‑Interventionen und Vorhersagemodellen.

Das System bietet eine Batch‑Verarbeitungs‑Schnittstelle, die effiziente Experimente ermöglicht und automatisch Fairness‑ sowie Nutzen‑Metriken berichtet. Durch standardisierte Pipelines und reproduzierbare Evaluierungen schließt FairPrep eine entscheidende Lücke im Fairness‑Benchmarking und legt damit eine solide Grundlage für die Weiterentwicklung von datenbasierten Fairness‑Forschung.