UCI Adult

新框架表征机器学习模型中的效用-分离权衡

研究人员开发了一种新的信息论框架，用于表征机器学习模型中效用和分离之间的权衡。该框架证明了效用-分离帕累托前沿的凹性，表明在效用方面分离的边际成本不断增加。该研究还引入了一种基于条件互信息的实用经验正则化器，可以与深度学习模型集成，在训练过程中监控和强制执行分离。在包括COMPAS和UCI Adult在内的多个数据集上的实验表明，与现有方法相比，该方法在保持或提高模型效用的同时，能有效减少分离违规。