{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3501511"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3501511","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"PROMIS: A Post-Processing Framework for Mitigating Spatial Bias","abstract":"Η ταχεία ενσωμάτωση της μηχανικής μάθησης σε κρίσιμα συστήματα λήψης αποφάσεων έχει αυξήσει τις ανησυχίες σχετικά με τη δικαιοσύνη, ιδίως όσον αφορά τις χωρικές προκαταλήψεις που συχνά συνδέονται με ευαίσθητους κοινωνικοοικονομικούς παράγοντες. Σε απάντηση, η παρούσα διατριβή περιγράφει μια ανεξάρτητη από το μοντέλο μέθοδο μετα-επεξεργασίας για τον μετριασμό των χωρικών προκαταλήψεων, η οποία λειτουργεί χωρίς πρόσβαση στα αρχικά δεδομένα εκπαίδευσης. Η προσέγγισή μας διατυπώνει ένα πρόβλημα βελτιστοποίησης το οποίο ελαχιστοποιεί έναν ορισμό δικαιοσύνης ανθεκτικό στον χειρισμό περιοχών, περιορίζοντας την επιτρεπόμενη απόκλιση από την απόδοση του αρχικού μοντέλου, που διασφαλίζει τη χωρική δικαιοσύνη με παράλληλη διατήρηση της ακρίβειας. Εκτενείς αξιολογήσεις σε πραγματικά σύνολα δεδομένων δείχνουν ότι το προτεινόμενο πλαίσιο μειώνει αποτελεσματικά τη χωρική μεροληψία και επιτυγχάνει πιο δίκαια αποτελέσματα με ελάχιστη απώλεια απόδοσης, υπερέχοντας σε σύγκριση με άλλες σύγχρονες μεθόδους μετα-επεξεργασίας. Η εργασία αυτή ενισχύει τις μεθοδολογίες για τη χωρική δικαιοσύνη, προσφέροντας στους επαγγελματίες μια αποδοτική, ερμηνεύσιμη και ευέλικτη λύση μετα-επεξεργασίας για την αντιμετώπιση διακρίσεων με βάση την τοποθεσία σε εφαρμογές μηχανικής μάθησης.","abstract_html":"Η ταχεία ενσωμάτωση της μηχανικής μάθησης σε κρίσιμα συστήματα λήψης αποφάσεων έχει αυξήσει τις ανησυχίες σχετικά με τη δικαιοσύνη, ιδίως όσον αφορά τις χωρικές προκαταλήψεις που συχνά συνδέονται με ευαίσθητους κοινωνικοοικονομικούς παράγοντες. Σε απάντηση, η παρούσα διατριβή περιγράφει μια ανεξάρτητη από το μοντέλο μέθοδο μετα-επεξεργασίας για τον μετριασμό των χωρικών προκαταλήψεων, η οποία λειτουργεί χωρίς πρόσβαση στα αρχικά δεδομένα εκπαίδευσης. Η προσέγγισή μας διατυπώνει ένα πρόβλημα βελτιστοποίησης το οποίο ελαχιστοποιεί έναν ορισμό δικαιοσύνης ανθεκτικό στον χειρισμό περιοχών, περιορίζοντας την επιτρεπόμενη απόκλιση από την απόδοση του αρχικού μοντέλου, που διασφαλίζει τη χωρική δικαιοσύνη με παράλληλη διατήρηση της ακρίβειας. Εκτενείς αξιολογήσεις σε πραγματικά σύνολα δεδομένων δείχνουν ότι το προτεινόμενο πλαίσιο μειώνει αποτελεσματικά τη χωρική μεροληψία και επιτυγχάνει πιο δίκαια αποτελέσματα με ελάχιστη απώλεια απόδοσης, υπερέχοντας σε σύγκριση με άλλες σύγχρονες μεθόδους μετα-επεξεργασίας. Η εργασία αυτή ενισχύει τις μεθοδολογίες για τη χωρική δικαιοσύνη, προσφέροντας στους επαγγελματίες μια αποδοτική, ερμηνεύσιμη και ευέλικτη λύση μετα-επεξεργασίας για την αντιμετώπιση διακρίσεων με βάση την τοποθεσία σε εφαρμογές μηχανικής μάθησης.","abstract_has_math":false,"creators":["Κυριακόπουλος Δημήτριος","Kyriakopoulos Dimitrios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:32:42Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3501511"],"render_values":[{"text":"uoadl:3501511","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3501511","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3501511","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3501511","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Κυριακόπουλος Δημήτριος","Kyriakopoulos Dimitrios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3501511","https://pergamos.lib.uoa.gr/uoa/dl/object/3501511"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η ταχεία ενσωμάτωση της μηχανικής μάθησης σε κρίσιμα συστήματα λήψης αποφάσεων έχει αυξήσει τις ανησυχίες σχετικά με τη δικαιοσύνη, ιδίως όσον αφορά τις χωρικές προκαταλήψεις που συχνά συνδέονται με ευαίσθητους κοινωνικοοικονομικούς παράγοντες. Σε απάντηση, η παρούσα διατριβή περιγράφει μια ανεξάρτητη από το μοντέλο μέθοδο μετα-επεξεργασίας για τον μετριασμό των χωρικών προκαταλήψεων, η οποία λειτουργεί χωρίς πρόσβαση στα αρχικά δεδομένα εκπαίδευσης. Η προσέγγισή μας διατυπώνει ένα πρόβλημα βελτιστοποίησης το οποίο ελαχιστοποιεί έναν ορισμό δικαιοσύνης ανθεκτικό στον χειρισμό περιοχών, περιορίζοντας την επιτρεπόμενη απόκλιση από την απόδοση του αρχικού μοντέλου, που διασφαλίζει τη χωρική δικαιοσύνη με παράλληλη διατήρηση της ακρίβειας. Εκτενείς αξιολογήσεις σε πραγματικά σύνολα δεδομένων δείχνουν ότι το προτεινόμενο πλαίσιο μειώνει αποτελεσματικά τη χωρική μεροληψία και επιτυγχάνει πιο δίκαια αποτελέσματα με ελάχιστη απώλεια απόδοσης, υπερέχοντας σε σύγκριση με άλλες σύγχρονες μεθόδους μετα-επεξεργασίας. Η εργασία αυτή ενισχύει τις μεθοδολογίες για τη χωρική δικαιοσύνη, προσφέροντας στους επαγγελματίες μια αποδοτική, ερμηνεύσιμη και ευέλικτη λύση μετα-επεξεργασίας για την αντιμετώπιση διακρίσεων με βάση την τοποθεσία σε εφαρμογές μηχανικής μάθησης.","The rapid integration of machine learning (ML) into critical decision-making systems has heightened concerns over fairness, particularly regarding spatial biases often tied to sensitive socioeconomic factors. In response, this thesis introduces a model-agnostic postprocessing method for spatial bias mitigation that operates without access to the original training data. Our approach formulates an optimization problem that minimizes a fairness definition robust to gerrymandering, subject to a constraint specifying the allowable deviation from the original model’s performance ensuring spatial fairness while preserving accuracy. Comprehensive evaluations on real-world datasets show that our framework effectively reduces spatial bias and achieves fairer outcomes with minimal performance loss, outperforming other state-of-the-art post-processing methods. This work advances spatial fairness methodologies, offering practitioners an efficient, interpretable, and adaptable post-processing solution to mitigate location-based discrimination in ML applications."]},{"key":"dc:title","label":"Title","values":["PROMIS: A Post-Processing Framework for Mitigating Spatial Bias"]}]}],"canonical_facts":{"dc:creator":["Κυριακόπουλος Δημήτριος","Kyriakopoulos Dimitrios"],"dc:date":["2025"],"dc:description":["Η ταχεία ενσωμάτωση της μηχανικής μάθησης σε κρίσιμα συστήματα λήψης αποφάσεων έχει αυξήσει τις ανησυχίες σχετικά με τη δικαιοσύνη, ιδίως όσον αφορά τις χωρικές προκαταλήψεις που συχνά συνδέονται με ευαίσθητους κοινωνικοοικονομικούς παράγοντες. Σε απάντηση, η παρούσα διατριβή περιγράφει μια ανεξάρτητη από το μοντέλο μέθοδο μετα-επεξεργασίας για τον μετριασμό των χωρικών προκαταλήψεων, η οποία λειτουργεί χωρίς πρόσβαση στα αρχικά δεδομένα εκπαίδευσης. Η προσέγγισή μας διατυπώνει ένα πρόβλημα βελτιστοποίησης το οποίο ελαχιστοποιεί έναν ορισμό δικαιοσύνης ανθεκτικό στον χειρισμό περιοχών, περιορίζοντας την επιτρεπόμενη απόκλιση από την απόδοση του αρχικού μοντέλου, που διασφαλίζει τη χωρική δικαιοσύνη με παράλληλη διατήρηση της ακρίβειας. Εκτενείς αξιολογήσεις σε πραγματικά σύνολα δεδομένων δείχνουν ότι το προτεινόμενο πλαίσιο μειώνει αποτελεσματικά τη χωρική μεροληψία και επιτυγχάνει πιο δίκαια αποτελέσματα με ελάχιστη απώλεια απόδοσης, υπερέχοντας σε σύγκριση με άλλες σύγχρονες μεθόδους μετα-επεξεργασίας. Η εργασία αυτή ενισχύει τις μεθοδολογίες για τη χωρική δικαιοσύνη, προσφέροντας στους επαγγελματίες μια αποδοτική, ερμηνεύσιμη και ευέλικτη λύση μετα-επεξεργασίας για την αντιμετώπιση διακρίσεων με βάση την τοποθεσία σε εφαρμογές μηχανικής μάθησης.","The rapid integration of machine learning (ML) into critical decision-making systems has heightened concerns over fairness, particularly regarding spatial biases often tied to sensitive socioeconomic factors. In response, this thesis introduces a model-agnostic postprocessing method for spatial bias mitigation that operates without access to the original training data. Our approach formulates an optimization problem that minimizes a fairness definition robust to gerrymandering, subject to a constraint specifying the allowable deviation from the original model’s performance ensuring spatial fairness while preserving accuracy. Comprehensive evaluations on real-world datasets show that our framework effectively reduces spatial bias and achieves fairer outcomes with minimal performance loss, outperforming other state-of-the-art post-processing methods. This work advances spatial fairness methodologies, offering practitioners an efficient, interpretable, and adaptable post-processing solution to mitigate location-based discrimination in ML applications."],"dc:identifier":["uoadl:3501511","https://pergamos.lib.uoa.gr/uoa/dl/object/3501511"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["PROMIS: A Post-Processing Framework for Mitigating Spatial Bias"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:32:42Z"}