机器学习公平性的建模技术：综述

机器学习模型正日益普及于高风险应用中。尽管在性能方面具有明显优势，但这些模型可能对少数群体表现出歧视，导致决策过程中的公平性问题，从而对个人和社会产生严重的负面影响。近年来，为了减轻机器学习模型的不公平性，人们开发了各种技术。其中，处理中方法引起了社区的日益关注，该方法在模型设计期间直接考虑公平性，以诱导出本质上公平的模型，并从根本上减轻输出和表征中的公平性问题。在本综述中，我们回顾了处理中公平性缓解技术的当前进展。根据公平性在模型中实现的位置，我们将它们分为显式方法和隐式方法，前者将公平性指标直接纳入训练目标，后者侧重于改进潜在表征学习。最后，我们对该领域的研究挑战进行了讨论，以激发未来的探索。