因果性是理解与平衡可信机器学习与基础模型中多重目标的关键
机器学习
2026-03-16 v5 人工智能
摘要
随着机器学习（ML）系统日益嵌入高风险领域，确保其可信度至关重要。本文提倡将因果方法整合到机器学习中，以在可信机器学习的关键原则（包括公平性、隐私性、稳健性、准确性和可解释性）之间进行权衡。虽然这些目标理想情况下应同时满足，但它们往往被孤立地处理，从而导致冲突和次优解。借鉴因果性在机器学习中成功对齐公平性与准确性或隐私性与稳健性等目标的现有应用，本文论证了因果方法对于在可信机器学习和基础模型中平衡多个竞争目标是必不可少的。除了强调这些权衡之外，我们还研究了如何将因果性实际整合到机器学习和基础模型中，为增强其可靠性和可解释性提供解决方案。最后，我们讨论了采用因果框架的挑战、局限性和机遇，为构建更负责任、更符合伦理的 AI 系统铺平道路。
引用
@article{arxiv.2502.21123,
title = {Causality Is Key to Understand and Balance Multiple Goals in Trustworthy ML and Foundation Models},
author = {Ruta Binkyte and Ivaxi Sheth and Zhijing Jin and Mohammad Havaei and Bernhard Schölkopf and Mario Fritz},
journal= {arXiv preprint arXiv:2502.21123},
year = {2026}
}