生物科学门户网站
BIO1000.NET

如何通过机器学习评估监管公平性

机器学习的危险-使用计算机识别和分析数据模式(例如在面部识别软件中)在最近成为头条新闻。斯坦福大学研究人员的一项新研究表明,这项技术还有望以公平,透明的方式帮助执行联邦法规,包括与环境相关的法规。

该分析报告于本周在计算机协会公平,问责和透明度会议的会议记录中发表(链接是外部的),评估了旨在支持美国环境保护署(EPA)倡议的机器学习技术,以减少严重违反该法案的行为。清洁水法。它揭示了所谓的算法设计的两个关键要素如何影响哪些社区是合规性工作的目标,因此是谁承担污染违法行为的负担。鉴于最近的行政措施(外部链接)要求重新关注环境正义,因此由斯坦福森林环境研究所的“实现环境创新计划”资助的分析是及时的。

研究共同负责人丹尼尔·何(Daniel Ho),威廉·本杰明·斯科特(William Benjamin Scott)和露娜·M·斯科特(Luna M.Scott)教授说:“机器学习正被用来帮助管理联邦机构的任务,这是提高效率的一种方式。”斯坦福大学法学院法学硕士。“但是我们还表明,仅设计基于机器学习的系统可以带来额外的好处。”

普遍不遵守

《清洁水法》旨在限制直接排放到水道中的实体的污染,但是在任何给定的年份中,将近30%的此类设施自我报告持续或严重违反许可证的行为。为了在2022年之前将这种类型的不合规现象减少一半,EPA一直在探索使用机器学习来针对合规性资源。

为了测试这种方法,EPA向学术界伸出了援助之手。在其选定的合作伙伴中,包括斯坦福的法规,评估和治理实验室(RegLab),这是一个由Ho领导的法律专家,数据科学家,社会科学家和工程师组成的跨学科团队。该小组已经与联邦和州机构进行了持续的工作,以帮助环保。

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。