سوگیری، عدالت و حریم خصوصی تفاضلی

A = ["he", "his", "man"]                     # گروه هویتی A
B = ["she", "her", "woman"]                  # گروه هویتی B
X = ["engineer", "programmer", "scientist"]  # فناوری / شغل
Y = ["nurse", "teacher", "caregiver"]        # مراقبت / خانواده
pre = weat_score(A, B, X, Y)                 # مثبت: A نزدیک‌تر به X
EMB = debias(EMB)                            # حذف راستای جنسیت از تصویر بردار
gender_dir = [1.0, -1.0, 0.0, 0.0]           # محور 1 منهای محور 0
post = weat_score(A, B, X, Y)                # کاهش می‌یابد، اما صفر نمی‌شود

train_data = gen(1000)                # پایه A=0 برابر 0.3، پایه A=1 برابر 0.6
test_data = gen(500)
baseline = train(train_data)          # تعداد گام 200، lr برابر 0.1
preds = predict(baseline, test_data)  # (pred, label, group)
demographic_parity(preds)             # rate0, rate1
equalized_odds(preds)                 # (TPR, FPR) به ازای هر گروه
conditional_use(preds)                # (PPV, NPV) به ازای هر گروه
dp_reweighted = train(train_data, sample_weights=weights)  # a=0 y=1: 2.0, a=1 y=1: 0.5

grad_w = clip(grad_w, C)                 # مقیاس‌بندی به نرم C
grad_b = max(-C, min(C, grad_b))         # برش گرادیان بایاس
noise_b = random.gauss(0.0, sigma * C)   # انحراف معیار نوفه sigma * C
b -= lr * (grad_b + noise_b)             # به‌روزرسانی نوفه‌دار به ازای هر نمونه
for sigma in (0.0, 0.5, 1.0, 2.0, 4.0):  # پیمایش ضریب نوفه
    model = dp_sgd(train_data, epochs=epochs, lr=0.05, sigma=sigma, C=C)
    acc = accuracy(model, test_data)
eps = analytical_epsilon(max(sigma, 0.01), steps=epochs * len(train_data), delta=delta)