该文综述机器学习公平性研究:评估40个Kaggle模型发现,部分优化技术反而导致失公,且公平机制未被记录;公平增强算法间相关性较强,但对数据集波动敏感,干预较脆弱。研究涵盖预处理、处理中、后处理等方法,涉及分类、回归、推荐、无监督学习与自然语言处理,并指出仅用标准数据集评估存在局限。多项实证显示难以在所有情境下实现最佳公平—性能平衡,医学影像等领域模型选择标准也显著影响公平结果。
完成下面两步后,将自动完成登录并继续当前操作。