ML 中的上下文感知公平实践：一项成本效益的实证评估
软件工程
2025-03-21 v1
摘要
随着机器学习（ML）系统成为关键决策的核心，对公平性和潜在偏见的担忧日益增加。为解决这一问题，软件工程（SE）领域引入了旨在增强 ML 模型各阶段公平性的偏见缓解技术。此外，最近的研究表明，标准的 ML 工程实践也可以改善公平性；这些实践被称为公平感知实践，已在机器学习开发周期的每个阶段被编目。然而，公平性仍然是上下文相关的，不同领域需要定制化解决方案。此外，现有的特定偏见缓解方法有时可能会降低模型性能，引发关于所涉及权衡的持续讨论。在本文中，我们从两个角度实证研究了公平感知实践：上下文相关性和成本效益。上下文评估探讨了这些实践在不同应用领域的表现，识别出特定公平性调整特别有效的领域。成本效益评估考虑了公平性改进与潜在性能代价之间的权衡。我们的发现提供了关于上下文如何影响公平感知实践有效性的见解。本研究旨在指导 SE 实践者选择能够以最小性能代价实现公平性的实践，支持伦理 ML 系统的开发。
引用
@article{arxiv.2503.15622,
title = {Contextual Fairness-Aware Practices in ML: A Cost-Effective Empirical Evaluation},
author = {Alessandra Parziale and Gianmario Voria and Giammaria Giordano and Gemma Catolino and Gregorio Robles and Fabio Palomba},
journal= {arXiv preprint arXiv:2503.15622},
year = {2025}
}