研究揭示样本重加权可能引入隐蔽的公平性损害

1. 13:00
   arXiv 机器学习

   样本重加权并非无害：理解数据集特征的作用

   机器学习中常用的样本重加权（reweighting）公平性干预并非无害，在减少某群体低估偏差时可能向另一群体引入新的偏差。在发生率为 7-14% 的 3,000 个模拟数据集及 6 种分类器测试中，重加权导致高基线发生率少数群体的假阴性率（FNR）上升 6 个百分点（每 10,000 人约增加 82 例漏判）。由于整体准确率基本不变，这一负面影响在宏观指标中极具隐蔽性。

Current heat 7·Comparable peak 10（Nov 6 14:00）·Comparable change, last 24 hours–

Trends compare only the same parties observed continuously, so the scope can be narrower than current heat counts. Move the pointer or tap the chart to see hourly heat; use the left and right arrow keys on a keyboard.