Jun, 2024
在神经气候模拟器中强制执行公平性
Enforcing Equity in Neural Climate Emulators
William Yik, Sam J. Silva
TL;DR神经网络模拟器在气候和天气预测任务中已成为一种非常有价值的工具，但其无法保证提供公正的预测结果，因此需要在神经网络中采用明确的公平性表示方法。本研究提出一种自定义损失函数，通过惩罚具有不同质量预测结果的模拟器，在人类发展指数 (HDI) 等区域或类别上捕捉不平等，从而实现更加公正的气候模型模拟预测。实验结果表明，使用这种损失函数训练的神经气候模拟器提供更加公正的预测结果，平衡性度量随着权重增加而改善。在训练过程中，公平性和准确性之间存在权衡，但通过适当选择公平性优先超参数，可以最小化性能损失。