研究人员证明，即使在训练数据中排除了年龄和收入等敏感属性，无监督机器学习表征仍可能无意中编码这些属性。一种名为SOMtime的新方法，基于自组织映射，表明这些敏感属性在嵌入中作为主要的潜在轴出现，与隐藏数据高度相关。这表明“不知情即公平”的方法在表征层面是不够的，需要对机器学习管道的无监督组件进行公平性审计。 AI
影响 强调了无监督学习中“不知情即公平”的失败，需要对AI管道进行新的审计方法。
排序理由 该集群包含一篇学术论文，详细介绍了关于AI公平性的新研究发现。[lever_c_demoted from research: ic=1 ai=1.0]
- autoencoder
- Census-Income dataset
- Joseph Bingham
- principal component analysis
- SOMtime
- t-Distributed Stochastic Neighbor Embedding
- Uniform Manifold Approximation and Projection
- World Values Survey
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
