该文综述机器学习中准确性与公平性的权衡研究,涵盖Pareto前沿、Chebyshev标量化、随机多目标优化及公平干预等方法,并探讨教育、司法等领域的应用与运行时监测技术。
该文综述机器学习公平性研究,涵盖算法稽核、多群体公平定义、成本感知公平规划、隐秘偏倚抽样、碰撞器偏差纠正、公平干预集成算法及子群体性能检验,并探讨AI平台审计与激励机制设计。
本文研究了在只有保护属性的不完美信息的情况下,公平干预是否仍然可行。研究表明,在属性扰动的情况下,只要符合所确定的条件,即使运行等化几率,分类器的偏差也会降低,而大多数情况下误差不会因保护属性的扰动而受到影响。
完成下面两步后,将自动完成登录并继续当前操作。