.png){kind=icon}
返回
Fair prediction sets through multi-objective hyperparameter optimization
.png){kind=icon}
OA
AI
DOI：10.1007/s10994-024-06721-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习在安全关键领域的广泛应用引发了关于算法歧视的伦理担忧。在此类场景中，公平性感知算法与不确定性量化工具的集成，能够实现可靠且安全的决策制定。本文提出了一种新颖的方法，将提供严格预测集的conformal prediction与通过evolutionary learning实现的多目标优化相结合。所提出的元算法优化分类器的超参数配置，以生成平衡效率与均等覆盖保证的置信度预测器，从而解决与敏感属性相关的公平性问题。我们通过四个现实世界问题对所提出的方法进行了实证评估，并展示了其在探索这一权衡并生成一组Pareto最优conformal predictors方面的有效性。通过这种方式，我们的贡献提供了不同的建模选择，可根据利益相关者采用的政策进行选择，从而展示了其增强公平决策的能力。
Keyword:
Conformal prediction
Algorithmic fairness
Equalized coverage
Multi-objective optimization
Uncertainty quantification
期刊
IF:
2.9
论文数:
2.7K
被引数:
3.4W
机构
引用论文
Dissecting racial bias in an algorithm used to manage the health of populations在用于管理人群健康的算法中剖析种族偏见.png)
SCIENCE
OAAI
SCIENCEIF45.8
OAAI分享收藏Impact of HbA1c Measurement on Hospital Readmission Rates: Analysis of 70,000 Clinical Database Patient RecordsHbA1c测定对再入院率的影响: 70,000个临床数据库患者记录的分析OAAI
OAAI分享收藏
查看更多内容