-
	- ##  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]