多目标复数性：资源有限情况下目标规定中的灵活性和公平性

Jun, 2023

多目标复数性：资源有限情况下目标规定中的灵活性和公平性

Multi-Target Multiplicity: Flexibility and Fairness in Target Specification under Resource Constraints

Jamelle Watson-Daniels, Solon Barocas, Jake M. Hofman, Alexandra Chouldechova

TL;DR通过建立多目标多重性理论框架，研究预测模型中目标变量选择对不同个体的结果和不同群体之间选择率差异的影响，涉及研究多元目标选择、公平性和预测倍数等方面。

Abstract

prediction models have been widely adopted as the basis for decision-making in domains as diverse as employment, education, lending, and health. Yet, few real world problems readily present themselves as precisely formulated prediction tasks. In particular, there are often many reasona

prediction models target variable fairness predictive multiplicity healthcare dataset

发现论文，激发创造

分类中的预测复杂性

本研究旨在解决机器学习中不同模型之间预测结果冲突的问题，定义了预测重复性作为预测问题接受有多个竞争模型的能力，并引入形式化的度量方式和整数规划工具来计算它们，应用于反复犯罪预测问题中，结果显示现实世界的数据集会接受互相冲突的模型，提出了需要在模型评估中报告预测重复性的建议。

Sep, 2019

数据集多样性问题：不可靠数据如何影响预测

介绍了一种名为 “数据集多样性” 的框架，用于研究训练数据集中的不准确性、不确定性和社会偏见如何影响测试时间的预测，以及该框架在机器学习实践和研究中的考虑。

Apr, 2023

机器学习中的多模型公平和伦理

该研究探讨了预测模型多样性对公平性的影响，发现在多个同等效果的模型中选择对于个人可能具有不利影响，而单纯技术手段无法解决这种问题。

Mar, 2022

任意性超越公平 - 准确度前沿线

机器学习中的公平干预可能会加剧预测复杂性，而提出了一种可应用于任何公平干预的集成算法来解决挑战并确保更一致的预测。

Jun, 2023

关于可靠机器学习的基准模型多样性的实证研究：图像分类案例研究

通过对可信度的多维度模型设计和其对一系列可靠度指标的影响进行一站式的经验基准测试，我们的研究暴露了深度学习模型的过参数化现象导致的模型多样性，这需要在模型选择过程中增加额外的规范以避免意外的失败，并为这种多样性提供影响和趋势的可行性建议。

Nov, 2023

随机线性目标组合多目标回归

本文介绍了一种用于多目标回归的集成方法，通过现有目标的随机线性组合构建新的目标变量，并与 RAkEL 和一系列最新的多标签分类算法进行比较。在 12 个多目标数据集上的实验证明，该方法表现显著优于单一模型方法和随机森林方法。

Apr, 2014

针对预测多样性的反事实解释

本文研究了如何以更低的成本生成对于多个分类器表现相等情况下对于分类结果的对抗讲解，在理论和实证研究中，对于解释成本与解释鲁棒性进行了概念的阐述，发现基于数据支持的方法相较于仅仅基于稀疏方法更加鲁棒，但是它们在成本方面会有所提高。因此，缘由推荐为稀疏方法在多分类器表现差异大的情况下不宜一概而论。

Jun, 2020

在严重不确定情况下进行多目标决策

本文将近期发展的决策理论的不完全偏好和概率信息转移到多目标设置中，并通过利用可能的部分基数和部分概率信息，比帕累托序提供更详细的订单来比较决策。我们讨论了所提议的决策选项之间的一些有趣属性，并展示了如何通过线性优化来计算它们。最后，在比较不同表现度量下的算法的场景中演示了我们的框架。

Dec, 2022

基于 Dropout 的 Rashomon 集探索技术用于高效的预测乘性估计

通过利用 dropout 技术来探索 Rashomon 集合中的模型，提出了一个用于衡量和减轻预测多样性的新框架，通过严格的理论推导和实验证明该技术在预测多样性度量估计方面始终优于基准方法，并通过 dropout 集成和模型选择实现了高效的 Rashomon 集合探索和度量估计。

Feb, 2024

目标规范偏差、反事实预测和医疗算法公平性

机器学习在医疗保健中的偏见通常源于代表性或不完整的数据，以及潜在的健康差异。本文发现了影响机器学习预测工具的临床实用性的更普遍的偏见来源：目标规范偏见。目标规范偏见发生在目标变量的操作化与决策者对其定义的不匹配时，这种不匹配常常是微妙的，源于决策者通常对反事实的医疗场景的预测结果感兴趣，而不是实际情况。目标规范偏见独立于数据限制和健康差异。如果不进行修正，它会导致预测准确度的高估，医疗资源的低效利用以及对患者有害的次优决策。计量学中的最新研究提出了抵消目标规范偏见的方法，并避免其有害后果。

Aug, 2023