面向公平性感知预测的基于模型集成的后处理框架
机器学习
2026-03-20 v1 机器学习
摘要
在机器学习中，在预测性能和公平性之间取得最佳平衡持续是一项基本挑战。本文提出了一个后处理框架，通过利用模型集成来实现公平性感知预测。该方法设计为独立于任何特定模型内部结构，能够适用于各种学习任务、模型架构和公平性定义。通过广泛的实验，涵盖分类、回归和生存分析，我们展示了该框架在保持或仅轻微影响预测准确性的同时，有效提升了公平性。
引用
@article{arxiv.2603.18838,
title = {A Model Ensemble-Based Post-Processing Framework for Fairness-Aware Prediction},
author = {Zhouting Zhao and Tin Lok James Ng},
journal= {arXiv preprint arXiv:2603.18838},
year = {2026}
}