FAIREDU：一种基于多元回归的机器学习模型公平性增强方法及其在教育应用中的实现
机器学习
2024-10-10 v1 人工智能
摘要
人工智能与机器学习模型的公平性正变得至关重要，尤其是当这些系统的决策影响到不同群体时。在教育这一对各国都至关重要的领域，AI/ML 系统的广泛应用引发了关于公平性的特定担忧。当前研究主要关注针对单个敏感特征的公平性，这限制了公平性评估的全面性。本文介绍了 FAIREDU，一种旨在改善跨多个敏感特征公平性的新颖有效方法。通过大量实验，我们评估了 FAIREDU 在不牺牲模型性能的前提下提升公平性的效果。结果表明，FAIREDU 能够处理性别、种族、年龄及其他敏感特征之间的交叉性，在几乎不影响模型准确率的情况下，其表现优于现有最先进方法。本文还探讨了未来可能的研究方向，以进一步增强该方法的鲁棒性及其对各种机器学习模型和数据集的适用性。
引用
@article{arxiv.2410.06423,
title = {FAIREDU: A Multiple Regression-Based Method for Enhancing Fairness in Machine Learning Models for Educational Applications},
author = {Nga Pham and Minh Kha Do and Tran Vu Dai and Pham Ngoc Hung and Anh Nguyen-Duc},
journal= {arXiv preprint arXiv:2410.06423},
year = {2024}
}