BriefGPT - AI 论文速递
·
（可预测的）无监督异常检测中的性能偏差
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文提出了一种新的基于风险差的算法，用于量化受保护变量在图中的歧视影响力，并提出了一种快速适应的偏差控制方法，以减少元学习中组的不公平性。实验结果表明，该方法可以高效地检测偏见并减轻模型输出上的偏见以及对训练样本量少的未见任务的精度和公平度的泛化。
🎯
关键要点
- 提出了一种新的基于风险差的算法，用于量化受保护变量在图中的歧视影响力。
- 创建因果贝叶斯知识图，发现机器学习模型中的历史数据偏见。
- 提出快速适应的偏差控制方法，以减少元学习中的组不公平性。
- 在合成和实际数据集上进行了广泛实验，验证了方法的有效性。
- 该方法可以高效检测偏见并减轻模型输出上的偏见。
- 对训练样本量少的未见任务的精度和公平度具有良好的泛化能力。
➡️
