MANILA：用于基准测试机器学习模型与公平性增强方法的低代码应用程序
软件工程
2025-04-30 v1
摘要
本文提出了 MANILA，这是一个基于网页的低代码应用程序，用于基准测试机器学习模型和公平性增强方法，以选择实现最佳公平性与有效性权衡的模型。它建立在建模一般公平性基准测试工作流程的扩展特征模型之上，该模型将其建模为软件产品线。特征之间定义的约束指导用户创建不会导致执行错误的实验。我们描述了 MANILA 的架构与实现，并就其表达性和正确性进行了评估。
引用
@article{arxiv.2504.20907,
title = {MANILA: A Low-Code Application to Benchmark Machine Learning Models and Fairness-Enhancing Methods},
author = {Giordano d'Aloisio},
journal= {arXiv preprint arXiv:2504.20907},
year = {2025}
}
备注
Accepted at FSE 2025 Demonstration Track