利用相似性网络增强模型公平性与准确性：方法论途径

在本文中，我们提出了一种创新方法，用于全面探索在下游机器学习任务中引入偏差的数据集特征。根据数据格式，我们采用不同的技术将实例映射到相似性特征空间。我们的方法能够调整成对相似性的分辨率，从而清晰地揭示数据集分类复杂度与模型公平性之间的关系。实验结果证实了相似性网络在促进公平模型方面的良好适用性。此外，利用我们的方法不仅在提供公平的下游任务（如分类）方面具有前景，而且在满足公平性标准（如人口统计平等和类别不平衡）的数据集插补与增强方面也表现出色。