BriefGPT - AI 论文速递
·
Diversity-Driven Fairness: An Ensemble of Higher-Order Mutations for Intersectional Fairness in Machine Learning Software
💡
原文英文，约100词，阅读约需1分钟。
📝
内容提要
本研究提出了FairHOME，一种新颖的集成方法，旨在解决机器学习软件在多重保护属性定义的子群体间实现交叉公平性的问题。实验结果显示，FairHOME的交叉公平性平均提高了47.5%。
🎯
关键要点
- 本研究提出了FairHOME，一种新颖的集成方法。
- FairHOME旨在解决机器学习软件在多重保护属性定义的子群体之间实现交叉公平性的问题。
- FairHOME通过生成多样性突变来增强推理阶段的交叉公平性。
- 实验结果显示，FairHOME的交叉公平性平均提高了47.5%。
- FairHOME显著超越了现有最佳方法。
➡️
