.png){kind=icon}
返回
Towards fair machine learning using many-objective feature selection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.asoc.2025.113411.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 引入一种利用多目标优化的公平特征选择方法。
• 通过广泛的实验和统计验证，证明了我们方法的有效性。
• 与三种基线方法进行比较，包括IBM AI Fairness 360。
• 通过超参数调优识别最优终止标准，具体为有效收敛的迭代代数。
Keyword:
Fairness
Feature selection
Dimensionality reduction
Data preprocessing
Search problems
Many-objective optimization
期刊
IF:
6.6
论文数:
1.4W
被引数:
4.8W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏分享收藏An Evolutionary Many-Objective Optimization Algorithm Using Reference-Point-Based Nondominated Sorting Approach, Part I: Solving Problems With Box Constraints使用基于参考点的非支配排序方法的进化多目标优化算法，第一部分: 解决框约束问题
PREAI
分享收藏
查看更多内容