高效的公平性-性能帕累托前沿计算

BriefGPT - AI 论文速递 · 2024-09-26T00:00:00Z

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。