PulseAugur
实时 21:51:51
English(EN) Online Learning with Multiple Fairness Regularizers via Graph-Structured Feedback

新的在线学习方法平衡了相互竞争的公平性目标

研究人员开发了一种新的在线学习方法,旨在管理自动化决策系统中多个可能冲突的公平性目标。当这些公平性度量的最佳权重未知且需要通过顺序交互随时间自适应学习时,这种方法特别有用。该方法在 bandit 设置下运行,利用图结构反馈为其自适应学习过程提供信息。 AI

影响 为管理人工智能系统中的复杂公平性约束引入了一种新颖的自适应学习技术。

排序理由 该集群包含一篇学术论文,详细介绍了具有公平性正则化器的在线学习新方法。[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]

  1. arXiv cs.AI TIER_1 English(EN) · Quan Zhou, Jakub Marecek, Robert Shorten ·

    通过图结构反馈的多重公平性正则化在线学习

    arXiv:2508.14311v2 Announce Type: replace-cross Abstract: There is an increasing need to enforce multiple, often competing, measures of fairness within automated decision systems. The appropriate weighting of these fairness objectives is typically unknown a priori, may change ove…