PulseAugur
中
实时 22:51:45
English(EN) Long-term Fairness with Selective Labels

新框架通过选择性标签解决长期公平性问题

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新框架，以解决机器学习模型中的长期公平性问题，特别是在标签被选择性揭示的情况下。所提出的方法将公平性分解为观察到的标签偏差和预测的标签偏差，从而可以使用标签预测器的置信度来估计真正的公平性。这一理论进展催生了一种新颖的强化学习算法，旨在通过选择性标签实现有效的长期公平决策，在半合成环境中，其性能可与具有真实标签访问权限的预言机相媲美。 AI

影响 引入了一种新颖的机器学习长期公平性方法，这对于招聘和贷款等数据被选择性揭示的应用至关重要。

排序理由 学术论文发布在arXiv上，详细介绍了机器学习中长期公平性的新框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 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]

  1. arXiv cs.LG TIER_1 English(EN) · Giovani Valdrighi, Isabel Valera, Marcos Medeiros Raimundo ·

    Long-term Fairness with Selective Labels

    arXiv:2605.22291v1 Announce Type: new Abstract: Long-term fairness algorithms aim to satisfy fairness beyond static and short-term notions by accounting for the dynamics between decision-making policies and population behavior. Most previous approaches evaluate performance and fa…

相关实体

相关话题