.png){kind=icon}
返回
Fair age prediction through ILP-based multi-attribute training subset selection
.png){kind=icon}
OA
AI
DOI：10.1016/j.asoc.2026.114746.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着算法在决策中扮演日益突出的角色，人们对其对少数群体的不成比例影响日益关注。这促使算法公平性领域受到广泛关注，该领域致力于将公平原则嵌入算法开发中。受这些挑战的启发，我们扩展了一个公平覆盖问题，即多属性更公平覆盖问题，其旨在识别用于训练目的的最大公平子集。本研究中，我们使用整数线性规划（ILP）模型进行新实验，为年龄回归任务创建公平训练实例。我们将这些公平实例与UTKFace数据集中随机选取的样本进行比较，并使用经典卷积神经网络、最先进的卷积模型和基于注意力的回归器评估性能。结果表明，与随机选择相比，使用公平选择时回归模型的误差显著降低，无论是在一般场景下，还是在按性别和种族筛选（包括少数群体）时均如此。
Keyword:
Algorithmic fairness
Fair coverage
Integer Linear Programming
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6.6
论文数:
1.4W
被引数:
4.8W
机构
引用论文
分享收藏
分享收藏Maximizing Coverage While Ensuring Fairness: A Tale of Conflicting Objectives在最大化覆盖范围的同时确保公平性：一个冲突目标的故事.png)
Algorithmica
AlgorithmicaIF0
PREAI
分享收藏 没有更多内容
没有更多内容