当前位置：网站首页>Fairness in Deep Learning: A Computational Perspective

Fairness in Deep Learning: A Computational Perspective

2022-07-17 00:10:00 【肉嘟嘟的zhu】

深度学习的公平性:计算的角度

利用深度学习缓解歧视性，从三个方面：Discrimination via Input，Discrimination via Representation，Prediction Quality Disparity的三个阶段Pre-processing， In-processing，Post-processing论述缓解的方法。

一、Discrimination via Input

（1）Pre-processing：用替代值替换这些对公平性敏感的特征

（2）In-processing：通过模型正则化。正则化隐式或非规则地优化了公平性度量

（3）Post-processing：在推理时间内利用模型的预测和保护属性对模型的预测进行校准

二、Discrimination via Representation

（1）Pre-processing：收集平衡的数据集是缓解代表偏差的一种可能方法

（2）In-processing：对抗性训练

（3）Post-processing：抑制已捕获保护属性的神经元

三、Prediction Quality Disparity

（1）Pre-processing：强化训练数据集的多样性

（2）In-processing：规范化的模型训练-----迁移学习

 

原网站

版权声明
本文为[肉嘟嘟的zhu]所创，转载请带上原文链接，感谢
https://blog.csdn.net/zhu1534120216/article/details/109406547

边栏推荐

猜你喜欢

随机推荐