演化多目标优化在数据流中用于公平感知的自适应内存分类器

原文约400字，阅读约需1分钟。发表于：。

本文引入一种新颖的方法，即面向公平性自适应记忆分类器的进化多目标优化，旨在增强机器学习算法在数据流分类中的公平性。该方法通过将自适应记忆 K 最近邻算法的优势与进化多目标优化相结合，有效地处理流数据中的概念漂移，并同时最大化准确性和最小化歧视。通过在各种数据集上进行广泛实验，将提出的方法与几种基准方法在准确性和公平度指标方面进行比较，证明了该方法的有效性。结果表明，该方法具有竞争力的准确性并显著减少了歧视，突显其作为面向公平性数据流分类的稳健解决方案的潜力。进一步的分析也证实了触发进化多目标优化和适应分类器的策略在提出的方法中的有效性。

本文介绍了一种新的方法，即面向公平性自适应记忆分类器的进化多目标优化。该方法通过结合自适应记忆K最近邻算法和进化多目标优化，有效处理流数据中的概念漂移，并同时提高准确性和减少歧视。实验证明该方法在准确性和公平度方面具有竞争力，是一种稳健的解决方案。