公平性在线教程 | 杜绝算法偏见

在设计联邦学习算法时考虑公平性，避免模型仅对多数参与方好而牺牲弱势客户端的性能。

人工智能公平联邦学习公平性联邦学习

12 0 0

2026-06-28

通过对抗训练和梯度反转层，逼迫模型的主任务表示与敏感属性无关，从而消除偏见。

人工智能对抗去偏公平性对抗网络

25 0 0

2026-06-27

学习人口统计均等这一公平性准则，使不同敏感属性群体的正类预测率保持一致。

人工智能人口统计均等公平性约束

23 0 0

2026-06-27

掌握均衡胜率公平性定义与实现，保证分类器在各敏感群体上的假阳率和假阴率相等。

人工智能公平性 Equalized Odds 指标

21 0 0

2026-06-27

学习 Google 的 What-If 工具，在无需编程的情况下对模型进行推理、公平性评估和反事实分析。

人工智能 What-If Tool 可解释性公平性

24 0 0

2026-06-27

使用 IBM AIF360 或微软 Fairlearn 工具包，检测数据集和模型中的偏见，并应用缓解算法。

人工智能公平性 AIF360 Fairlearn

24 0 0

2026-06-26

分析 FairMOT 如何通过无锚检测与同质分支平衡检测与重识别任务，避免偏向其中一个，实现高精度的多目标跟踪。

人工智能 FairMOT 多目标跟踪公平性

26 0 0

2026-06-19

建立偏见检测流程，识别数据与模型中的性别、种族等偏差，并应用重加权、对抗去偏和阈值调整等缓解方法。

人工智能偏见检测公平性缓解策略

39 0 0

2026-06-14

将公平性指标转化为正则化项或硬约束加入到模型训练目标中，在优化精度的同时主动降低针对敏感属性的预测差异。

人工智能公平性约束学习偏见缓解

33 0 0

2026-06-14

免费编程教程