BM-CL：通过持续学习实现偏差缓解

机器学习中的偏差具有挑战性，尤其是当模型放大影响弱势群体的不平等时。传统的偏差缓解技术常常会导致“降级效应”，即改善弱势群体的结果会以牺牲优势群体的性能为代价。本研究引入偏差缓解通过持续学习 (BM-CL) 框架，该框架利用持续学习原则来解决这一权衡。我们假设，通过持续学习来缓解偏差在概念上类似于域递增式持续学习，其中模型必须调整公平性条件，改善弱势群体的结果而不忘记有助于优势群体的知识。drawing inspiration from techniques such as Learning without Forgetting and Elastic Weight Consolidation，我们重新解释偏差缓解作为持续学习问题。这种视角使模型能够逐步平衡公平性目标，在保留优势群体性能的同时提升弱势群体的表现。在由多样化偏差来源构成的合成数据和真实世界图像数据集上进行的实验表明，所提出的框架在最小化原有知识损失的同时缓解了偏差。我们的ethods bridges the fields of fairness and continual learning，为开发既公平又有效的机器学习系统提供了有前景的道路。