Trade-Off Between Accuracy and Fairness in Artificial Intelligence Algorithms: Strategies for Optimizing Training Datasets

The article explores the trade-off between accuracy and fairness in artificial intelligence (AI) and machine learning algorithms, emphasizing training dataset optimization. It examines sources of bias, such as class imbalance and correlations with sensitive attributes. Data preprocessing, class balancing, and feature selection methods are discussed. Special focus is given to fairness metrics (DPD, EOD) to reduce discrimination. Recommendations for combining methods to balance performance and objectivity are provided. The article targets specialists developing ethical AI systems.

1. Харитонова Ю.С. Предвзятость алгоритмов искусственного интеллекта: вопросы этики и права / Ю.С. Харитонова, В.С. Савина, Ф. Паньини // Вестник Пермского университета. Юридические науки. – 2021. – № 53. – С. 488–515.

2. Рюмина Е.В. Сравнительный анализ методов устранения дисбаланса классов эмоций в видеоданных выражений лиц / Е.В. Рюмина, А.А. Карпов // Научно‑технический вестник информационных технологий, механики и оптики. – 2020. – Т. 20, № 5. – С. 683–691.

3. Преображенский А.П. О проблемах нейросетевого анализа текстовой информации / А.П. Преображенский, Д.В. Меняйлов // Радиоэлектронные устройства и системы для инфокоммуникационных технологий («РЭУС-2022»): доклады Всероссийской конференции (с международным участием): Выпуск: LXXVII. – Москва: Российское научно-техническое общество радиотехники, электроники и связи им. А.С. Попова, 2022. – С. 155–159.

4. Питолин А.В. Прогнозирование характеристик рассеяния объектов сложной формы на основе нейросетевых технологий / А.В. Питолин, Р.П. Юров, А.П. Преображенский // Антенны. – 2007. – № 8 (123). – С. 59–61.

5. Балалаева Ю.С. «AI bias»: «предвзятость искусственного интеллекта» или результат деятельности разработчиков? / Ю.С. Балалаева // Юристъ-Правоведъ. – 2023. – № 3 (106). – С. 7–14.

6. Справедливость и предвзятость в машинном обучении // Политическое образование [Электронный ресурс]. – URL: https://lawinrussia.ru/spravedlivost-i-predvzyatost-v-mashinnom-obuchenii/ (дата обращения: 03.06.2025).

7. Caton S., Haas Ch. Fairness in Machine Learning: A Survey // arXiv [Электронный ресурс]. – URL: https://arxiv.org/abs/2010.04053 (дата обращения: 03.06.2025).

8. Hort M., Chen Zh., Zhang J.M., Harman M., Sarro F. Bias Mitigation for Machine Learning Classifiers: A Comprehensive Survey // arXiv [Электронный ресурс]. – URL: https://arxiv.org/abs/2207.07068 (дата обращения: 03.06.2025).

9. Bias in Machine Learning: Identifying, Mitigating, and Preventing Discrimination // GeeksforGeeks [Электронный ресурс]. – URL: https://www.geeksforgeeks.org/bias-in-machine-learning-identifying-mitigating-and-preventing-discrimination/ (дата обращения: 03.06.2025).