机器学习中公平性的综述及选择上下文适用公平性指标的实用指南

近期的人工智能监管提案强调了机器学习模型的公平性要求。然而，由于哲学、文化和政治背景的差异，精确定义适当的公平性度量具有挑战性。偏见可能以复杂的方式渗入机器学习模型，具体取决于模型的上下文，这使得单一的通用公平性度量不足。这种模糊性凸显了需要标准来指导上下文感知度量的选择，考虑到日益严格的监管要求的普及，这一问题愈发重要。为此，我们开发了一个流程图来指导上下文适用公平性度量的选择。该流程图使用了十二个标准制定而成，其中包括模型评估标准、模型选择标准和数据偏差。我们还回顾了机器学习背景下的公平性文献，并将其与核心监管工具相联系，以协助政策制定者、AI开发者、研究人员和其他利益相关者妥善解决公平性问题并遵守相关监管要求。