论文将算法公平性视为分布稳定性并提出学习程序
热点事件持续更新
论文将算法公平性视为分布稳定性并提出学习程序
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
Gayane Taturyan、Charlotte Laclau 和 Stephan Clémençon 在 arXiv 论文（arXiv:2609.37061 v2）中提出将算法公平性理解为分布稳定性：不评估固定数据分布下的预测器，而是研究其在改变受保护群体构成的扰动下预测如何变化。论文称经典公平性定义可归结为对不同扰动的稳定性，不公平度差距对应预测率泛函的 Lipschitz 常数。 论文称该方法无需已知部署分布，即可在测试时对一系列人口构成提供一致性保证，并给出基于重加权预测器凸组合的二阶锥规划学习程序及泛化界，在标准基准上验证了效果。
AI 根据报道生成 · 1 小时前更新
最新进展11月3日 13:00
从分布稳定性视角统一理解公平性（arXiv 论文）报道时间线
沿着报道，了解事件的不同侧面。
11月3日
- arXiv cs.AI从分布稳定性视角统一理解公平性（arXiv 论文）
一篇 arXiv 论文提出将算法公平性视为分布稳定性：预测器在改变受保护群体构成的扰动下保持稳定即为公平，经典公平性定义可归结为对不同扰动的稳定性，不公平度差距对应预测率泛函的 Lipschitz 常数。该方法无需已知部署分布即可在测试时对一系列人口构成提供一致性保证，并给出基于重加权预测器凸组合的二阶锥规划学习程序及泛化界，在标准基准上验证了效果。
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。