通过混合整数优化实现负责任的机器学习

在过去的几十年里，机器学习（ML）在从医疗保健、可持续发展、社会科学到刑事司法和金融等领域取得了显著成功。但其在日益复杂、关键和敏感的、影响个人、其所属群体乃至整个社会的领域中的部署，引发了围绕公平性、透明度和鲁棒性等方面的关键担忧。随着机器学习系统及其部署环境的复杂性和规模不断增长，对能够应对这些挑战同时在部署中提供保证性能的负责任机器学习方法的需求也随之增加。混合整数优化（MIO）提供了一个强大的框架，可以将负责任的机器学习考量直接嵌入到学习过程中，同时保持性能。例如，它能够学习固有透明的模型，这些模型可以方便地纳入公平性或其他领域特定的约束。本教程论文对该主题进行了易于理解且全面的介绍，讨论了理论和实践方面。它概述了负责任机器学习的一些核心原则、它们在应用中的重要性，以及 MIO 在构建符合这些原则的 ML 模型方面的实际效用。通过示例和数学公式，它说明了高效解决负责任 ML 的 MIO 问题的实用策略和可用工具。最后，它讨论了当前的局限性和开放的研究问题，为未来的工作提供了建议。