高效的公平性-性能帕累托前沿计算
原文中文，约500字，阅读约需1分钟。发表于：。本研究解决了表示的公平性与从该表示导出的分类器性能之间的固有权衡问题。提出了一种新方法来计算最优的帕累托前沿，无需复杂的表示模型训练，优化过程简化为紧凑的离散问题，可以通过现成的凹凸编程方法高效解决。这项工作为表示学习算法提供了一个基准，具有显著的实验价值和潜在的应用影响。
本文研究了机器学习中偏见缓解技术的可推广性问题。现有方法常缺乏适应性，难以在不同数据或模型中应用，并在准确性与公平性之间存在矛盾。为解决此问题，提出了一种基于多任务学习的新方法，结合Monte-Carlo dropout和Pareto优化，无需敏感信息。该方法在多个数据集上测试，显示出理想的公平性与性能平衡，并提高了模型的可解释性和适应性。
