通过 NAS 实现更公平和更准确的表格模型
原文中文，约500字，阅读约需2分钟。发表于：。通过算法使表格数据的模型更公平一直以来都得到了广泛研究，但是技术一直偏向于修复不理想结果的神经模型，改变数据导入方式、模型权重或输出处理方式。本研究采用不同的策略，考虑更新模型的架构和训练超参数，从而在去偏执过程的开始找到具有更好结果的全新模型。我们首次将多目标神经架构搜索（NAS）和超参数优化（HPO) 应用于表格数据的领域，对 MLP、ResNet 和 FT-Transformer...
本研究使用多目标神经架构搜索和超参数优化，解决表格数据模型的公平性问题。研究发现，仅优化准确性的模型无法解决公平性问题。该研究设计了能在公平性、准确性或两者方面优于目前最先进的偏执缓解方法的模型，并达到了帕累托最优。研究强调了深度学习模型中自动化公平性和准确性优化的潜力。
