MMM-fair：探索与实现多公平性权衡的交互式工具包

公平性感知分类需要在性能与公平性之间进行平衡，尤其在交叉性偏见存在时，这种平衡更加困难。不同且冲突的公平性定义进一步复杂化了这一任务，使其难以识别普遍公平的解决方案。尽管监管和社会对公平AI的需求日益增长，但流行的工具包仅能有限地支持探索多维度公平性及相关权衡。为此，我们present mmm-fair，这是一个开源工具包，利用基于提升的集成方法，动态优化模型权重以联合最小化分类错误和多样化公平违规，从而实现灵活的多目标优化。该系统使用户能够部署符合其特定情境需求的模型，同时可靠地发现常规方法难以察觉的交叉性偏见。总之，mmm-fair独特地将多属性公平性、多目标优化、无代码聊天式界面、LLM驱动的解释、交互式帕累托探索用于模型选择、自定义公平约束定义和部署就绪模型集于一个开源工具包，这种组合在现有公平工具中罕见出现。演示 walkthrough 可在：https://youtu.be/_rcpjlXFqkw 查看。