基于张量数据与贝叶斯回归的机器学习公平性评估与偏见缓解：一种新方法
计算机视觉与模式识别
2025-06-16 v1 人工智能
机器学习
摘要
公平性是可信人工智能的关键组成部分。本文聚焦机器学习（ML）以及模型在处理肤色时的预测性能。与其他敏感属性不同，肤色的本质存在显著差异。在计算机视觉中，肤色以张量数据而非类别值或单一数值点来表示。然而，大多数关于敏感群体间公平性的研究都聚焦于性别和种族等类别特征。本文提出了一种新的机器学习公平性评估技术，专门用于图像分类任务，且无需标注。为克服先前研究的局限，本文处理张量数据（如肤色）时不对其进行刚性分类，而是将其转换为概率分布并应用统计距离度量。这种新方法使我们能够捕捉传统上被视为不同群体内部和之间的公平性细微差别。此外，本文提出了一种创新的训练方法，用于缓解传统肤色分类中存在的潜在偏见。该方法利用通过多项式函数计算的贝叶斯回归颜色距离估计，确保对肤色在机器学习模型中得到更细致和公平的处理。
引用
@article{arxiv.2506.11627,
title = {Evaluating Fairness and Mitigating Bias in Machine Learning: A Novel Technique using Tensor Data and Bayesian Regression},
author = {Kuniko Paxton and Koorosh Aslansefat and Dhavalkumar Thakker and Yiannis Papadopoulos},
journal= {arXiv preprint arXiv:2506.11627},
year = {2025}
}