关于准确性、公平性、可解释性、分布鲁棒性与对抗鲁棒性的实证研究
机器学习
2021-10-01 v1 计算机与社会
摘要
为确保对AI模型的信任，越来越明显的是，模型评估必须超越准确率等传统性能指标，扩展至其他维度，如公平性、可解释性、对抗鲁棒性和分布偏移。我们描述了一项实证研究，在多个数据集上沿这些维度对各种模型类型的多项指标进行评估。我们的结果表明，没有任何一种特定模型类型能在所有维度上表现良好，并展示了在沿多维度评估的模型选择中所涉及的各类权衡。
引用
@article{arxiv.2109.14653,
title = {An Empirical Study of Accuracy, Fairness, Explainability, Distributional Robustness, and Adversarial Robustness},
author = {Moninder Singh and Gevorg Ghalachyan and Kush R. Varshney and Reginald E. Bryant},
journal= {arXiv preprint arXiv:2109.14653},
year = {2021}
}