English(EN) Where to Intervene? Benchmarking Fairness-Aware Learning on Differentially Private Synthetic Tabular Data

在差分隐私合成数据上评估公平性干预

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-08 14:33

研究人员对差分隐私合成表格数据上的公平性干预进行了系统评估，旨在理解机器学习中隐私和公平性之间的权衡。该研究以自适应迭代机制（AIM）作为最先进的DP合成器进行基准测试，并评估了不同数据集和隐私预算下的各种公平性缓解策略。结果表明，虽然差分隐私会降低效用和公平性，但应用公平性干预，特别是后处理方法，可以部分恢复公平结果并保持具有竞争力的效用。 AI

影响这项研究探讨了AI模型中隐私和公平性之间的复杂相互作用，这对于在敏感应用中负责任地部署至关重要。

排序理由学术论文，提出了关于机器学习中公平性和隐私的新研究。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Héber H. Arcolezi · 2026-07-08 14:33

Where to Intervene? Benchmarking Fairness-Aware Learning on Differentially Private Synthetic Tabular Data

Machine learning models are increasingly deployed in high-stakes domains, raising concerns about both privacy and fairness. Differential Privacy (DP) has become a gold standard for privacy-preserving data analysis, while fairness-aware mechanisms aim to mitigate discrimination ag…

报道来源 [1]

Where to Intervene? Benchmarking Fairness-Aware Learning on Differentially Private Synthetic Tabular Data

相关实体

相关话题