Sep, 2021

基于深度神经网络和离散选择模型的旅行行为预测中的机会平等

PDF
TL;DR本文研究机器学习在旅行行为建模领域的应用并发现其普遍存在的预测失误和潜在的公平性问题，提出了一种基于绝对相关性规则的算法来解决该问题。
machine learningcomputational fairnesstravel behavior modelingprediction disparitiesbias mitigation algorithms
发现论文，激发创造
  • 提升基于 AI 的出行需求预测模型的公平性

    提出一种新的方法来解决基于人工智能的交通出行需求预测中存在的公平性问题，通过在交通出行需求预测模型的损失函数中添加公平性正则项，以相应受保护属性（如种族、收入等）与预测准确度之间的相关性作为衡量指标，来同时考虑预测准确度和公平性。在芝加哥的真实骑行约车数据上进行实证分析，结果表明该方法有效地解决了预测准确性与公平性的平衡问题。

    Mar, 2023

  • 将领域知识融入深度神经网络中用于离散选择模型

    本文提出了一种框架，通过约束条件将领域知识和先验信念与机器学习相结合，以支持可解释的基于数据驱动的离散选择模型的开发，并通过案例研究展示了该框架的潜力。

    May, 2023

  • DemOpts: COVID-19 案件预测模型中的公平性修正

    我们展示了最先进的深度学习模型在预测 COVID-19 病例时输出的平均预测误差在不同种族和民族群体之间存在显著差异，这可能支持不公平的政策决策。我们还提出了一种新颖的去偏方法 DemOpts，用于提高基于可能存在偏见数据集训练的深度学习预测模型的公平性。我们的结果显示，DemOpts 可以实现更好的误差平等，从而有效降低更多种族和民族群体的平均误差分布差异。

    May, 2024

  • 内生行为的公平预测

    本文通过研究模型，发现在刑事司法中，平衡不同人群的类型 I 和类型 II 错误与最小化总犯罪率目标是一致的，而其他流行的公平理念则不然。

    Feb, 2020

  • 训练公平神经网络的技术挑战

    机器学习算法已被广泛应用在各种领域，然而由此带来的公平性问题在高风险案例（如人脸识别和医学影像分析）中引起了极大关注。本文针对深度神经网络中公平性的限制条件及其行为矫正方法的有效性进行了研究，实验结果表明，在特定公平度量下，大型模型会对公平的过度拟合而产生一系列意外和不良后果。

    Feb, 2021

  • 公平性指标在欧盟非歧视法律中的相容性：人口多样性平衡和条件人口差异

    本研究旨在通过条件人口失调性 (CDD) 的公平性定义来评估公平度量和公平约束，在欧盟非歧视法律框架下支持公平上下文方法，并进行了数据分析，发现 AI 辅助决策在法律角度上具有公平性，取决于具体情况和法律理由。

    Jun, 2023

  • 公平性对于最优传输的边缘预测

    本文主要研究了图中预测任务的算法公正问题，提出了一种嵌入不可知的修复过程以实现组内和个体的公正权衡，并在实验中验证了该方法对不同公正概念和预测准确性的显式控制能力。

    Oct, 2020

  • 探索深度学习方法预测人员和车辆出行情况：基于 NHTS 数据的分析

    现代交通规划依赖于准确的人员和车辆出行预测，本研究探讨了深度学习技术在改进出行预测和交通规划方面的潜力，利用全国家庭交通调查数据集，开发并训练了一个深度学习模型，取得了 98% 的人员出行预测准确率和 96% 的车辆出行估计准确率，从而显示了深度学习在这个领域的优势。

    Aug, 2023

  • 透过反事实预测实现平等机会和肯定行动

    本文提出了两个算法，通过因果模型和反事实决策来实现公平的机器学习预测器，以实现提供平等机会和重修历史劣势。在包括招生、收入、信用和再犯等领域的数据集上进行评估与权衡，结果表明这些预测器在理论上达到了预测性能的最优，同时满足公平性。

    May, 2019

  • 以鲁棒性促进公平：探究深度学习中的鲁棒性差异性

    该研究采用两种方法来衡量深度神经网络中的鲁棒性偏差。实证研究结果表明，在大多数情况下，存在一些少数群体处于劣势，并提出了数据分布和学习决策边界的高度复杂性是导致此类偏向的原因。

    Jun, 2020