提出局部预测一致性公平方法
热点事件持续更新
提出局部预测一致性公平方法
1 篇报道1 个报道来源9 小时前更新
先了解这件事
AI 综述
Zhouting Zhao和Tin Lok James Ng提出一种基于局部预测一致性的个体公平性定义与正则化学习方法，将每个个体的预测与其相似度加权的局部邻域预测均值比较，以评估和约束预测偏差。 该方法通过局部残差进行正则化学习，并构建邻域图、利用图覆盖诊断选择阈值，适用于二分类、回归和生存时间预测。研究同时分析了公平性与预测性能之间的权衡，但报道未表明该方法已在实际系统中产生效果。
AI 根据报道生成 · 1 小时前更新
最新进展10月28日 12:00
通过局部预测一致性实现个体公平报道时间线
沿着报道，了解事件的不同侧面。
10月28日
- arXiv · Machine Learning通过局部预测一致性实现个体公平
研究提出将局部预测一致性作为个体公平的节点级放宽形式，用相似度加权的局部邻域预测均值评估每个个体的预测偏差。该方法基于局部残差进行正则化学习，并明确构建邻域图、通过图覆盖诊断选择阈值，适用于二分类、回归和生存时间预测，同时分析公平性与性能之间的权衡。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。