{rfName}
Mi

Indexado en

Licencia y uso

Icono OpenAccess

Citaciones

50

Altmetrics

Grant support

This work has been granted by the "EICACS (European Initiative for Collaborative Air Combat Standardisation) "project of the Horizon Europe programme of the European Commission, under grant agreement No. 101103669.

Análisis de autorías institucional

Gonzalez-Sendino, RubenAutor o CoautorSerrano, EmilioAutor (correspondencia)Bajo, JavierAutor o Coautor

Compartir

28 de abril de 2024
Publicaciones
>
Artículo
Sí

Mitigating bias in artificial intelligence: Fair data generation via causal models for transparent and explainable decision-making

Publicado en:Future Generation Computer Systems-The International Journal Of Escience. 155 384-401 - 2024-06-01 155(), DOI: 10.1016/j.future.2024.02.023

Autores: González-Sendino, R; Serrano, E; Bajo, J

Afiliaciones

Univ Politecn Madrid, Ontol Engn Grp, ETSI Informat, Madrid 28660, Spain - Autor o Coautor

Resumen

In the evolving field of Artificial Intelligence, concerns have arisen about the opacity of certain models and their potential biases. This study aims to improve fairness and explainability in AI decision making. Existing bias mitigation strategies are classified as pre-training, training, and post-training approaches. This paper proposes a novel technique to create a mitigated bias dataset. This is achieved using a mitigated causal model that adjusts cause-and-effect relationships and probabilities within a Bayesian network. Contributions of this work include (1) the introduction of a novel mitigation training algorithm for causal model; (2) a pioneering pretraining methodology for producing a fair dataset for Artificial Intelligence model training; (3) the diligent maintenance of sensitive features in the dataset, ensuring that these vital attributes are not overlooked during analysis and model training; (4) the enhancement of explainability and transparency around biases; and finally (5) the development of an interactive demonstration that vividly displays experimental results and provides the code for facilitating replication of the work.

Palabras clave

Artificial intelligenceBayeBayesBayesian networksBias mitigationCausal modelCausal modelingData generationDecision makingDecisions makingsDistributionFairnessMitigation strategyModel trainingPre-trainingResponsible artificial intelligence

Indicios de calidad

Impacto bibliométrico. Análisis de la aportación y canal de difusión

El trabajo ha sido publicado en la revista Future Generation Computer Systems-The International Journal Of Escience debido a la progresión y el buen impacto que ha alcanzado en los últimos años, según la agencia WoS (JCR), se ha convertido en una referencia en su campo. En el año de publicación del trabajo, 2024 aún no existen indicios calculados, pero en 2023, se encontraba en la posición 15/147, consiguiendo con ello situarse como revista Q1 (Primer Cuartil), en la categoría Computer Science, Theory & Methods. Destacable, igualmente, el hecho de que la Revista está posicionada por encima del Percentil 90.

2025-09-10:

  • WoS: 8
  • Scopus: 33

Impacto y visibilidad social

Desde la dimensión de Influencia o adopción social, y tomando como base las métricas asociadas a las menciones e interacciones proporcionadas por agencias especializadas en el cálculo de las denominadas “Métricas Alternativas o Sociales”, podemos destacar a fecha 2025-09-10:

  • El uso, desde el ámbito académico evidenciado por el indicador de la agencia Altmetric referido como agregaciones realizadas por el gestor bibliográfico personal Mendeley, nos da un total de: 113.
  • La utilización de esta aportación en marcadores, bifurcaciones de código, añadidos a listas de favoritos para una lectura recurrente, así como visualizaciones generales, indica que alguien está usando la publicación como base de su trabajo actual. Esto puede ser un indicador destacado de futuras citas más formales y académicas. Tal afirmación es avalada por el resultado del indicador “Capture” que arroja un total de: 113 (PlumX).

Con una intencionalidad más de divulgación y orientada a audiencias más generales podemos observar otras puntuaciones más globales como:

  • El Score total de Altmetric: 16.65.
  • El número de menciones en la red social X (antes Twitter): 30 (Altmetric).

Es fundamental presentar evidencias que respalden la plena alineación con los principios y directrices institucionales en torno a la Ciencia Abierta y la Conservación y Difusión del Patrimonio Intelectual. Un claro ejemplo de ello es:

  • El trabajo se ha enviado a una revista cuya política editorial permite la publicación en abierto Open Access.
  • Asignación de un Handle/URN como identificador dentro del Depósito en el Repositorio Institucional: https://oa.upm.es/84162/

Como resultado de la publicación del trabajo en el repositorio institucional, se han obtenido datos estadísticos de uso que reflejan su impacto. En términos de difusión, podemos afirmar que, hasta la fecha

  • Visualizaciones: 136
  • Descargas: 54

Análisis de liderazgo de los autores institucionales

Existe un liderazgo significativo ya que algunos de los autores pertenecientes a la institución aparecen como primer o último firmante, se puede apreciar en el detalle: Primer Autor (GONZÁLEZ SENDINO, RUBÉN) y Último Autor (BAJO PEREZ, JAVIER).

el autor responsable de establecer las labores de correspondencia ha sido SERRANO FERNANDEZ, EMILIO.