无穷维模型中约束函数参数的统计学习及其在公平机器学习中的应用

通过双向上升算法解决了理论与实践之间的差距，验证了双向学习在公平学习任务中的有效性。

fairml R 包旨在实现公平和可解释的机器学习模型，提供模型估计、选择和验证功能。

提出利用经验对偶域学习解决受约束的统计学习问题，应用于社会、工业和医学领域。

直接解决约束统计问题的方法克服了无限维度和未知分布的限制，体现了在公平学习中的有效性。

基于经验风险最小化的算法将公平性约束融入学习问题，发现公平性要求意味着正交性约束。

弹性约束学习方法通过权衡性能和约束成本，自适应调整要求，展示了在图像分类与异构联邦学习中的优势。

提出代理 - 拉格朗日新公式和随机分类器算法，解决非凸模型训练问题，实验结果证明其效果。

公平经验风险最小化方法避免敏感信息不公平影响，并在知名平等概念的实证风险最小化中实现精度与公平的平衡。

通过两人博弈法优化模型参数，提高评估时的一般化性能，达到公平性和减少误诊率的目标。