Aprendizaje justo basado en modelos de mezcla

Abstract

Este TFG está motivado por un algoritmo propuesto por H. Inouzhe, cuyo objetivo es determinar cotas para la distancia en variación total y estimar la parte común entre dos distribuciones, con vistas a construir algoritmos de clasificación más justos. Se estudian las herramientas teóricas necesarias para su desarrollo, incluyendo formulaciones equivalentes del modelo de mezcla de probabilidades, propiedades topológicas de los conjuntos de recortes y el análisis de métricas como las de Wasserstein y las basadas en la discrepancia media promedio.

This work is motivated by an algorithm proposed by H. Inouzhe, aimed at determining bounds for the total variation distance and estimating the common part between two distributions, with a view toward constructing fairer classification algorithms. The necessary theoretical tools for its development are studied, including equivalent formulations of the probabilistic mixture model, topological properties of trimming sets, and the analysis of metrics such as the Wasserstein distance and those based on the maximum mean discrepancy.