机器学习与人工智能的全面可持续框架

在金融应用中，监管或最佳实践常常导致机器学习方面存在四个关键支柱：公平性、隐私、可解释性和温室气体排放。这些都处于 AI 可持续性的更广阔背景之下，这是一个新兴的实用 AI 主题。然而，尽管这些支柱已被过去的文献各自处理，但没有任何工作考虑了所有支柱。每个支柱之间都存在内在的权衡（例如，准确率与公平性或准确率与隐私之间的权衡），这使得同时考虑这些支柱更加重要。本文概述了新的可持续机器学习框架，并提出了 FPIG，一个允许同时考虑这些关键议题的 general AI pipeline，以更好地学习支柱之间的权衡。基于 FPIG 框架，我们提出了一种 meta-learning 算法，用于在数据摘要、模型架构和超参数给定的情况下估计这四个关键支柱。该算法允许用户在给定数据集和给定的支柱用户要求的情况下选择最佳模型架构。我们在三个经典数据集上展示了 FPIG 模型下的权衡，并演示了在具有不同可解释性的真实世界数据集和模型上实现 meta-learning 方法，以说明它如何有助于模型选择。