神经网络模型个体公平性的 Concolic 测试
机器学习
2026-05-04 v2 软件工程
摘要
本文介绍了 PyFair,一个用于评估和验证深度神经网络 (DNN) 个体公平性的形式化框架。通过改编 concolic 测试工具 PyCT,我们生成特定于公平性的路径约束,以系统地探索 DNN 行为。我们的核心创新是一种双网络架构,能够实现全面的公平性评估,并为某些网络类型提供完备性保证。我们在 25 个基准模型上评估了 PyFair,包括通过现有偏差缓解技术增强的模型。结果表明 PyFair 在检测歧视性实例和验证公平性方面行之有效,同时也揭示了复杂模型面临的可扩展性挑战。这项工作通过为预训练 DNN 提供严格、系统的公平性测试与验证方法,推进了关键领域中的算法公平性。
关键词
引用
@article{arxiv.2509.06864,
title = {Concolic Testing on Individual Fairness of Neural Network Models},
author = {Ming-I Huang and Chih-Duo Hong and Fang Yu},
journal= {arXiv preprint arXiv:2509.06864},
year = {2026}
}
备注
Add a theorem and improve wording and layout