人工智能技术在决策系统等领域发挥了重要作用。用于模型训练的数据集中含有显示或者隐式的敏感属性，模型往往会利用敏感属性的特征做出决策，导致人工智能模型在公平性方面出现偏差，产生严重的舆论影响和社会问题。而现有的公平性修复方法往往伴随着正确性的下降。本次学术报告介绍了人工智能模型公平性和正确性的相关指标，探究了公平性与覆盖指标之间的关系，并聚焦于一个最新的模型公平性和正确性联合优化方法。
人工智能模型的公平性测试——既要公平，也要正确-刘洧光原创文章，作者：BFS，如若转载，请注明出处：https://www.isclab.org.cn/2025/03/31/%e4%ba%ba%e5%b7%a5%e6%99%ba%e8%83%bd%e6%a8%a1%e5%9e%8b%e7%9a%84%e5%85%ac%e5%b9%b3%e6%80%a7%e6%b5%8b%e8%af%95-%e6%97%a2%e8%a6%81%e5%85%ac%e5%b9%b3%ef%bc%8c%e4%b9%9f%e8%a6%81%e6%ad%a3/