Verzerrung

Algorithmische Voreingenommenheit bezieht sich auf systematische und ungerechte Diskriminierung in algorithmischen Entscheidungsprozessen.

Anchoring Bias in AI bezieht sich auf die kognitive Tendenz, sich stark auf die erste erhaltene Information zu stützen.

Expositionsbias bezieht sich auf die Tendenz von Algorithmen, überrepräsentierte Daten in Trainingssets zu bevorzugen, was die Modellleistung beeinflusst.

Implicit Bias Amplification bezeichnet die unbeabsichtigte Verstärkung bestehender Vorurteile in KI-Systemen.

Label-Bias bezieht sich auf systematische Fehler bei der Kennzeichnung von Daten, die die Leistung von KI-Modellen beeinflussen können.

Lernbias bezieht sich auf systematische Fehler in KI-Modellen aufgrund verzerrter Trainingsdaten oder Designentscheidungen.

Die Messung von Bias beinhaltet die Bewertung der Fairness und Unparteilichkeit von KI-Systemen bei Entscheidungsprozessen.

Modellverzerrung tritt auf, wenn ein KI-Modell systematische Fehler aufgrund verzerrter Trainingsdaten oder fehlerhafter Annahmen erzeugt.

Overestimation Bias is the tendency to overrate one's abilities, knowledge, or predictions.

Eine überrepräsentierte Klasse in KI ist eine Kategorie, die in den Daten häufiger vorkommt als andere und das Modellbias beeinflusst.