公平性框架：现有公平 AI 解决方案的系统综述

在科学探究与发现每日涌现的世界中，机器学习在各行业的大量推出对于那些熟悉 ML 潜力的人而言不足为奇。同样不足为奇的，是作为对这些应用所产生的偏见与不公平问题回应而出现的、聚焦伦理的研究的同步扩展。聚焦于对抗算法偏见的技术的公平性研究，如今比以往任何时候都得到更多支持。公平性研究的很大一部分致力于产生机器学习从业者可在设计算法时用于审查偏见的工具。尽管如此，这些公平性解决方案在实践中缺乏应用。本系统综述深入总结了已被定义的算法偏见问题以及已提出的公平性解决方案空间。此外，本综述深入剖析了自发布以来解决方案空间出现的缺陷，以及由机器学习从业者、公平性研究人员和机构利益相关者提出的需求分类法。这些需求已被组织并指向对其实施最具影响力的各方，包括公平性研究人员、生产 ML 算法的组织以及机器学习从业者自身。这些发现可在未来用于弥合从业者与公平性专家之间的鸿沟，并为可用公平 ML 工具包的创建提供信息。