面向数据流中公平感知自适应记忆分类器的进化多目标优化

本文提出了一种新颖方法——面向公平感知自适应记忆分类器的进化多目标优化，旨在增强应用于数据流分类的机器学习算法的公平性。随着对算法决策中歧视问题的日益关注，特别是在动态数据流环境中，需要确保在种族或性别等敏感属性上公平对待个体的方法。所提出的方法通过结合自适应记忆K近邻算法与进化多目标优化的优势来解决这一挑战。这种结合使得新方法能够有效管理流数据中的概念漂移，并利用进化多目标优化的灵活性同时最大化准确性和最小化歧视。我们通过在多个数据集上进行大量实验，在准确性和公平性指标方面与几种基线方法进行比较，证明了所提出方法的有效性。我们的结果表明，所提出的方法保持了有竞争力的准确性，并显著减少了歧视，突显了其作为公平感知数据流分类鲁棒解决方案的潜力。进一步的分析也证实了所提出方法中触发进化多目标优化和自适应分类器策略的有效性。