基于因果模型引导的数据变异的软件公平性分析与修复
《ACM Transactions on Software Engineering and Methodology》:Software Fairness Analysis and Repair via Causal Model-Guided Data Mutation
【字体:
大
中
小
】
时间:2026年09月18日
来源:ACM Transactions on Software Engineering and Methodology 6.9
编辑推荐:
摘要
机器学习(ML)软件自动化了各种决策过程,显著提高了社会运行的效率。然而,机器学习软件的广泛应用引发了人们对公平性的日益关注,因为这类软件往往表现出偏见,使特定群体或个体处于不利地位。由于这些偏见通常源于训练数据中敏感属性与标签之间的相关性,破坏这些相关性是修复公平性
摘要机器学习(ML)软件自动化了各种决策过程,显著提高了社会运行的效率。然而,机器学习软件的广泛应用引发了人们对公平性的日益关注,因为这类软件往往表现出偏见,使特定群体或个体处于不利地位。由于这些偏见通常源于训练数据中敏感属性与标签之间的相关性,破坏这些相关性是修复公平性的一个有前景的方向。因此,我们提出了Fairabel,这是一种通过因果模型和多目标优化的指导来突变训练数据以修复公平性的新方法。为了评估Fairabel,我们在40个决策场景中与现有方法进行了广泛的实证比较。实验结果表明,Fairabel在三种公平性指标上平均将机器学习软件的偏见减少了50%,比最先进的方法提高了9%。此外,Fairabel在五种性能指标上平均比最先进的方法高出1.5%,展现了更优秀的保持软件性能的能力。AI 摘要AI 生成的摘要(实验性)此摘要由自动化工具生成,未经文章作者撰写或审阅。提供此摘要是为了支持信息检索、帮助读者评估相关性,并帮助来自相邻研究领域的读者理解本工作。它旨在补充作者提供的摘要,作者提供的摘要仍然是论文的主要摘要。全文文章仍是权威的记录版本。点击此处了解更多。点击此处评论此摘要的准确性、清晰度和实用性。这样做将有助于改进和未来重新生成版本。要查看此 AI 生成的摘要,您必须拥有高级访问权限。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号