arXiv 机器学习· Bente Hinkenhuis, Seyed Sahand Mohammadi Ziabari, Ali Mohammed Mansoor Alsahag·· 4 小时前AI 评分32
在多示例强化学习系统中融合公平性与可解释性
Integrating Fairness and Explainability in a Multiple Instance Reinforcement Learning System
AI 导读
一项研究探讨了结合强化学习多示例学习（RL-MIL）、对抗去偏与偏好条件超网络的多目标框架，以在学业风险预测中兼顾可解释性与公平性。实验表明基础 RL-MIL 取得了良好的分类性能，但超网络扩展出现了模式崩溃，无法通过偏好标量有效调控预测性能与 Equalized Odds 的权衡。研究指出，构建鲁棒的公平 RL-MIL 仍需引入显式的梯度平衡与目标分离机制。
来源：arXiv 机器学习 · arxiv.org