AI Fairness 360 工具包是一个可扩展的开源库，包含由研究社区开发的技术，用于在 AI 应用生命周期的各个阶段帮助检测和缓解机器学习模型中的偏见。AI Fairness 360 包同时提供 Python 和 R 版本。
AI Fairness 360 包包括：
它旨在将算法研究从实验室转化为金融、人力资本管理、医疗保健和教育等广泛领域的实际实践。我们邀请您使用并改进它。
AI Fairness 360 交互式体验 提供了对概念和功能的入门介绍。教程和其他 notebook 提供了更深入的、面向数据科学家的介绍。完整的 API 也可用。
由于功能集非常全面，要弄清楚哪些指标和算法最适合给定的用例可能会令人困惑。为了提供帮助，我们创建了一些可供查阅的指导材料。
我们在开发该包时考虑了可扩展性。这个库仍在开发中。我们鼓励您贡献自己的指标、解释器和去偏算法。
install.packages("aif360")
有关 R 安装设置的更多详情，请参阅此处的说明。
支持的 Python 配置：
| 操作系统 | Python 版本 |
|---|---|
| macOS | 3.10 – 3.13 |
| Ubuntu | 3.10 – 3.13 |
| Windows | 3.10 – 3.13 |
AIF360 需要许多 Python 包的特定版本，这些版本可能会与您系统上的其他项目冲突。强烈建议使用虚拟环境管理器，以确保依赖项可以安全安装。如果您在安装 AIF360 时遇到问题，请先尝试此方法。
建议在所有配置中使用 Conda，尽管 Virtualenv 在我们的使用场景中通常可以互换。如果您尚未安装 conda，Miniconda 就足够了（如果您好奇，可以查看 Anaconda 和 Miniconda 之间的区别）。
然后，要创建一个新的 Python 3.11 环境，请运行：
conda create --name aif360 python=3.11
conda activate aif360
此时 shell 应显示为 (aif360) $。要停用该环境，请运行：
(aif360)$ conda deactivate
提示符将恢复为 $ 。
pip 安装要从 PyPI 安装最新的稳定版本，请运行：
pip install aif360
注意：某些算法需要额外的依赖项（不过所有指标都可以开箱即用）。要安装包含特定算法依赖项的版本，请运行，例如：
pip install 'aif360[LFR,OptimPreproc]'
或者，要获得完整的功能，请运行：
pip install 'aif360[all]'
可用的附加选项包括：OptimPreproc, LFR, AdversarialDebiasing, DisparateImpactRemover, LIME, ART, Reductions, FairAdapt, inFairness, LawSchoolGPA, notebooks, tests, docs, all
如果您遇到任何错误，请尝试故障排除步骤。
克隆此仓库的最新版本：
git clone https://github.com/Trusted-AI/AIF360
如果您想运行示例，请立即下载数据集，并按照 aif360/data/README.md 中的说明将它们放在各自的文件夹中。
然后，导航到项目的根目录并运行：
pip install --editable '.[all]'
要运行示例 notebook，请完成上述手动安装步骤。然后，如果您没有使用 [all] 选项，请按如下方式安装额外的依赖项：
pip install -e '.[notebooks]'
最后，如果您尚未下载数据集，请按照 aif360/data/README.md 中的说明进行下载。
如果您在安装过程中遇到任何错误，请在此处查找您的问题并尝试解决方案。
有关详细说明，请参阅使用 pip 安装 TensorFlow 页面。
注意：我们要求 'tensorflow >= 1.13.1'。
安装 tensorflow 后，请尝试重新运行：
pip install 'aif360[AdversarialDebiasing]'
仅在使用 aif360.algorithms.inprocessing.AdversarialDebiasing 类时才需要 TensorFlow。
在 MacOS 上，如果您之前从未安装过 Xcode 命令行工具，则可能需要先安装：
xcode-select --install
在 Windows 上，您可能需要下载 Microsoft C++ Build Tools for Visual Studio 2019。有关最新的安装说明，请参阅 CVXPY 安装 页面。
然后，尝试通过以下方式重新安装：
pip install 'aif360[OptimPreproc]'
仅在使用 aif360.algorithms.preprocessing.OptimPreproc 类时才需要 CVXPY。
examples 目录包含各种以不同方式使用 AI Fairness 360 的 jupyter notebook 集合。教程和演示都展示了使用 AIF360 的可运行代码。教程提供了额外的讨论，引导用户完成 notebook 的各个步骤。请参阅此处了解有关教程和演示的详细信息。
AI Fairness 360 的技术描述可参阅此论文。以下是该论文的 bibtex 条目。
@misc{aif360-oct-2018,
title = "{AI Fairness} 360: An Extensible Toolkit for Detecting, Understanding, and Mitigating Unwanted Algorithmic Bias",
author = {Rachel K. E. Bellamy and Kuntal Dey and Michael Hind and
Samuel C. Hoffman and Stephanie Houde and Kalapriya Kannan and
Pranay Lohia and Jacquelyn Martino and Sameep Mehta and
Aleksandra Mojsilovic and Seema Nagar and Karthikeyan Natesan Ramamurthy and
John Richards and Diptikalyan Saha and Prasanna Sattigeri and
Moninder Singh and Kush R. Varshney and Yunfeng Zhang},
month = oct,
year = {2018},
url = {https://arxiv.org/abs/1810.01943}
}
Rich Subgroup Fairness（inprocessing/gerryfair_classifier.py）的开发分支在此处。欢迎贡献，作者列出的潜在贡献清单可查看此处。