Auto saved by Logseq

2025-06-02 17:15:13 +02:00
commit d9ea3d552d
6279 changed files with 711145 additions and 0 deletions
@@ -0,0 +1,31 @@
+-
+	- ##  Notes
+	- ## 🤝Meetings
+		- type::  [[meeting]]
+		  external-links::  
+		  tags:: [[PROJECTS/PRIN-EMELIOT]] 
+		  people:: #people/AntiniscaDiMarco #people/claudio #people/giordano 
+		  date:: [[18-12-2023]] - 17:02
+		  duration::
+			- ![Fabris et al. - 2022 - Algorithmic fairness datasets the story so far (1).pdf](../assets/Fabris_et_al._-_2022_-_Algorithmic_fairness_datasets_the_story_so_far_(1)_1702915678532_0.pdf)
+			  :LOGBOOK:
+			  CLOCK: [2025-05-26 Mon 22:20:30]--[2025-05-26 Mon 22:20:30] =>  00:00:00
+			  :END:
+			- 17 datasets sono considerati attualmente per l'analisi
+			- ![image.png](../assets/image_1702915848998_0.png)
+				- Per ogni variabili binaria vengono considerate le metriche precedenti. L'idea e' verificare se i primi 3 sintomi sono indicatori di bias.
+				- L'analisi ci dice che questi sintomi non sono in correlazione con le ultime 3 metriche in legenda.
+				- Per prossima volta
+					- Dimostrare che Equalized_odds non e' significativa
+					- Vedere dove emerge l'unbalance e perche' (se e' relativa a qualche variabile specifica, e.g., gender)
+					- Arrivare a 50 dataset (ora siamo a 18 noti in letteratura)
+					- Provare altri modelli
+					- Tempi di esecuzione
+	- ## 📜Reviews
+		- {{query (and [[REVIEWS]] (or (property :date-end [[18-12-2023]]) (property :date-start [[18-12-2023]])))}}
+		  query-table:: true
+		  query-properties:: [:file :year :venue :deadline]
+	- ## ⤴️Omnivore readings
+		- {{query (and (property :source [[Omnivore]]) (or (property :deadline [[18-12-2023]]) (property :date-saved [[18-12-2023]]) (property :date-archived [[18-12-2023]])))}}
+		  query-table:: true
+		  query-properties:: [:labels :author :site :block]