fairness tolerance

新的机器学习框架通过覆盖率约束解决交叉偏见问题

研究人员开发了一个新的框架来缓解机器学习模型中的偏见，特别是针对种族和性别等多个敏感属性交叉的个体。该方法结合了覆盖率约束，以确保所有子群体（包括交叉群体）都有足够的代表性。该方法将偏见缓解构建为整数线性规划问题，优化策略并量化“公平性代价”作为容忍度的函数，从而能够在减少偏见和数据修改成本之间做出明智的权衡。在公共数据集上的评估表明，该框架能够保持预测准确性和下游机器学习性能。