公平性-性能权衡的数据准备：面向实践者的替代方案？
软件工程
2024-12-23 v1 机器学习
摘要
随着机器学习(ML)系统在各行业的广泛采用，解决公平性和偏见问题已变得至关重要。虽然许多解决方案聚焦于ML中的伦理挑战，但近期研究表明，数据本身是主要偏见来源。预处理技术通过在训练前消除偏见来有效缓解偏见，但可能影响模型性能并带来集成难度。相比之下，公平性感知的数据准备实践方式更为熟悉且更易于实施，为减少偏见提供了更易于实现的方案。目标。本注册报告提出对如何 optimally选择的公平性感知实践在ML生命周期的早期阶段应用以提升公平性和性能的实证评估， potentially超越标准的预处理偏见缓解方法。方法。为此，我们将引入FATE——一种用于选择'数据准备'管道以优化公平性和性能的优化技术。通过FATE，我们将分析公平性-性能权衡，比较由FATE选择的管道与预处理偏见缓解技术的结果。
引用
@article{arxiv.2412.15920,
title = {Data Preparation for Fairness-Performance Trade-Offs: A Practitioner-Friendly Alternative?},
author = {Gianmario Voria and Rebecca Di Matteo and Giammaria Giordano and Gemma Catolino and Fabio Palomba},
journal= {arXiv preprint arXiv:2412.15920},
year = {2024}
}
备注
Accepted as Registered Report at SANER'25