Uma Abordagem Não Supervisionada para Reconstrução Justa de Dados

A utilização de sistemas inteligentes de tomada de decisão, que se baseiam em conjuntos de dados de indivíduos, pode, se não tratada corretamente, perpetuar vieses preconceituosos presentes nos dados, oriundos de decisões historicamente enviesadas. Esse viés frequentemente está associado a atributos demográficos, como gênero, idade, raça, entre outros. Nesse contexto, pesquisas na área de fairness buscam propor métodos e métricas para identificar e mitigar o impacto negativo que algoritmos de aprendizado de máquina podem causar em grupos historicamente desfavorecidos, especialmente quando trabalham com bases de dados potencialmente enviesadas. Este trabalho apresenta um método de pré-processamento destinado a conjuntos de dados que possuam vieses relacionados à fairness. Por meio de um autoencoder com uma função de custo personalizada, o método é capaz de extrair variáveis latentes desses dados que apresentem um menor grau de injustiça em comparação aos dados originais. Para validar a hipótese do método proposto, foram realizados experimentos com dados reais, e as principais métricas da literatura foram empregadas para medir sua eficiência.