特征级混合技术用于缓解预测监督学习中的情境偏差
机器学习
2025-07-01 v1 机器学习
摘要
预测机器学习（ML）模型中的偏差是由于偏好模型产生的偏斜或不公平结果而面临的根本性挑战。现有缓解策略依赖后置纠正或刚性约束。然而，新兴研究称这些技术可能限制可扩展性并降低通用性。为此，本文引入了一种特征级混合框架以缓解情境偏差。通过在多个情境数据集之间重新分配特征表示来实现这一目标。为评估特征级混合的有效性，使用交叉验证训练了四个 ML 分类器，并使用偏差敏感损失函数进行评估，包括差异度量和均方误差（MSE），后者作为预测性能的标准度量。该方法在所有使用混合数据集训练的分类器上实现了平均43.35%的偏差降低，并在所有分类器上实现了统计显著的 MSE 降低。此外，与 established 的偏差缓解技术进行基准测试发现，特征级混合在所有情况下都优于 SMOTE 过采样且无需显式识别偏差属性即可显示出具竞争力的效果。特征级混合高效地避免了公平感知学习算法通常 associated 的计算开销。未来工作可以探索在需要准确预测的实际领域中应用特征级混合。
引用
@article{arxiv.2506.23033,
title = {Feature-Wise Mixing for Mitigating Contextual Bias in Predictive Supervised Learning},
author = {Yash Vardhan Tomar},
journal= {arXiv preprint arXiv:2506.23033},
year = {2025}
}