On Friday, May 23, 2025, at 15:30, Mr. Dimitrios Kyriakopoulos of the graduate
program “Data Science and Information Technologies”, track on “Big Data and Artificial
Intelligence”, will present his MSc thesis titled:
PROMIS: A Post-Processing Framework for Mitigating Spatial Bias
Abstract
The rapid integration of machine learning (ML) into critical decision-making systems has heightened concerns over fairness, particularly regarding spatial biases often tied to sensitive socioeconomic factors. In response, this thesis introduces a model-agnostic post-processing method for spatial bias mitigation that operates without access to the original training data. Our approach formulates an optimization problem that minimizes a fairness definition robust to gerrymandering, subject to a constraint specifying the allowable deviation from the original model’s performance ensuring spatial fairness while preserving accuracy. Comprehensive evaluations on real-world datasets show that our framework effectively reduces spatial bias and achieves fairer outcomes with minimal performance loss, outperforming other state-of-the-art post-processing methods. This work advances spatial fairness methodologies, offering practitioners an efficient, interpretable, and adaptable post-processing solution to mitigate location-based discrimination in ML applications.
EXAMINATION COMMITTEE:
Prof. Dimitris Gunopulos, Department of Informatics and Telecommunications, University of
Athens (thesis supervisor)
Prof. Manolis Koubarakis, Department of Informatics and Telecommunications, University of
Athens
Research Associate Giorgos Giannopoulos, Athena RC
23 May 2025
3:30 PM – 4:30 PM (GTB)
Meeting link: Defense of Master’s Thesis | Microsoft Teams | Meetup-Join
Την Παρασκευή 23 Μαΐου 2025, στις 15:30, ο κ. Δημήτριος Κυριακόπουλος μεταπτυχιακός
φοιτητής του προγράμματος «Επιστήμη Δεδομένων και Τεχνολογίες Πληροφορίας», με
ειδίκευση «Μεγάλα δεδομένα και τεχνητή νοημοσύνη», θα παρουσιάσει διαδικτυακά την
διπλωματική εργασίας του με τίτλο:
PROMIS: Ένα Πλαίσιο Μετα-Επεξεργασίας για τον Μετριασμό της Χωρικής Μεροληψίας
Περίληψη
Η ταχεία ενσωμάτωση της μηχανικής μάθησης σε κρίσιμα συστήματα λήψης αποφάσεων έχει αυξήσει τις ανησυχίες σχετικά με τη δικαιοσύνη, ιδίως όσον αφορά τις χωρικές προκαταλήψεις που συχνά συνδέονται με ευαίσθητους κοινωνικοοικονομικούς παράγοντες. Σε απάντηση, η παρούσα διατριβή περιγράφει μια ανεξάρτητη από το μοντέλο μέθοδο μετα-επεξεργασίας για τον μετριασμό των χωρικών προκαταλήψεων, η οποία λειτουργεί χωρίς πρόσβαση στα αρχικά δεδομένα εκπαίδευσης. Η προσέγγισή μας διατυπώνει ένα πρόβλημα βελτιστοποίησης το οποίο ελαχιστοποιεί έναν ορισμό δικαιοσύνης ανθεκτικό στον χειρισμό περιοχών, περιορίζοντας την επιτρεπόμενη απόκλιση από την απόδοση του αρχικού μοντέλου, που διασφαλίζει τη χωρική δικαιοσύνη με παράλληλη διατήρηση της ακρίβειας. Εκτενείς αξιολογήσεις σε πραγματικά σύνολα δεδομένων δείχνουν ότι το προτεινόμενο πλαίσιο μειώνει αποτελεσματικά τη χωρική μεροληψία και επιτυγχάνει πιο δίκαια αποτελέσματα με ελάχιστη απώλεια απόδοσης, υπερέχοντας σε σύγκριση με άλλες σύγχρονες μεθόδους μετα-επεξεργασίας. Η εργασία αυτή ενισχύει τις μεθοδολογίες για τη χωρική δικαιοσύνη, προσφέροντας στους επαγγελματίες μια αποδοτική, ερμηνεύσιμη και ευέλικτη λύση μετα-επεξεργασίας για την αντιμετώπιση διακρίσεων με βάση την τοποθεσία σε εφαρμογές μηχανικής μάθησης.
ΕΞΕΤΑΣΤΙΚΗ ΕΠΙΤΡΟΠΗ:
Δρ. Δημήτρης Γουνόπουλος, Καθηγητής, Τμήμα Πληροφορικής και Τηλεπικοινωνιών Εθνικό
και Καποδιστριακό Πανεπιστήμιο Αθηνών (Επιβλέπων)
Δρ. Μανόλης Κουμπαράκης, Καθηγητής, Τμήμα Πληροφορικής και Τηλεπικοινωνιών Εθνικό
και Καποδιστριακό Πανεπιστήμιο Αθηνών
Δρ. Γιώργος Γιαννόπουλος, Επιστημονικός Συνεργάτης, ΕΚ Αθηνά
23 May 2025
3:30 PM – 4:30 PM (GTB)
Meeting link: Defense of Master’s Thesis | Microsoft Teams | Meetup-Join
Leave A Comment