关键词fairness-aware learning
搜索结果 - 6
- KDD学习如何教授考虑公平性的深度多任务学习
提出了一种基于 L2T-FMT 算法的教师 - 学生网络，这种方法可以在多任务学习的情况下灵活选择优化目标（准确性或公平性），并且在公正性（12-19%）和准确性（最多 2%）上显著提高了表现。
- CVPR使用部分注释组标签学习公平分类器
本文针对标注人口统计学组注解成本高昂的现实场景，提出了一种可行的算法组公平性解决方案 (Fair-PG)，采用置信度为基础的组标签分配 (CGL) 策略，通过与最新的算法公平性处理方法相结合，提高了目标准确性和公平度。
- KDD公平感知的在线元学习
提出了一种新的在线元学习算法 FFML, 该算法能够在保证分类准确性的同时，学习与公平相连的模型参数。通过在三个真实世界数据集上进行实验，得到了具有显著优越性能的结果。
- 抗噪公平分类
本文研究了含有噪声敏感特征的公平机器学习算法，表明当使用均值差异分数作为公平性量度标准时，只需通过调整所需的公平容错率即可仍然学习出公平分类器，该容错率可以通过现有噪声率估计器进行估计，并在两个敏感特征审查案例研究中得到实证有效性。
- 公平感知生成对抗网络
本文提出了一种名为 FairGAN 的公平性生成对抗网络，旨在生成既不带偏见又具有较好数据实用性的数据。与基本的公平数据生成模型相比，FairGAN 还确保了对生成数据进行分类的分类器可以在真实数据上实现公平分类。
- 关于算法决策中的公正性、多样性和随机性
在二元决策过程中，一个机器学习分类器取代了多个人类，并引发了问题，我们讨论了在决策过程中多样性的损失。我们研究了在关注公平学习的情况下使用随机分类器集合而不是单个分类器可能带来的潜在好处，并展示了各种有吸引力的属性：（i）一组公平的分类器可