可信机器学习的公平性综述
作者:
作者单位:

作者简介:

刘文炎(1995-),女,博士生,主要研究领域为可信机器学习.
卢兴见(1986-),男,博士,副教授,CCF专业会员,主要研究领域为可信机器学习,云计算.
沈楚云(1997-),男,博士生,主要研究领域为可信机器学习,多智体强化学习,机器学习中的公平.
王晓玲(1975-),女,博士,教授,博士生导师,CCF专业会员,主要研究领域为可信机器学习,知识图谱,个性化推荐技术,机器学习及隐私保护技术.
王祥丰(1987-),男,博士,副教授,CCF专业会员,主要研究领域为分布式优化,多智能体强化学习,可信机器学习.
查宏远(1963-),男,博士,教授,博士生导师,主要研究领域为机器学习.
金博(1982-),男,博士,讲师,CCF专业会员,主要研究领域为可信机器学习,多智体强化学习,计算机视觉技术及应用.
何积丰(1943-),男,教授,博士生导师,CCF会士,主要研究领域为可信人工智能,可信软件.

通讯作者:

王祥丰,E-mail:xfwang@cs.ecnu.edu.cn;王晓玲,E-mail:xlwang@cs.ecnu.edu.cn

基金项目:

上海市科委创新行动计划人工智能科技支持专项(20DZ1100300,20511101100);国家自然科学基金(61972155,61672231,12071145);上海市自然科学基金(19ZR1414200);国家重点研发计划(2020AAA0107400,2018YFB2101300)


Survey on Fairness in Trustworthy Machine Learning
Author:
Affiliation:

Fund Project:

AI Project of Innovation Action Plan of Science and Technology Commission of Shanghai Municipality (STCSM) (20DZ1100300, 20511101100); National Natural Science Foundation of China (61972155, 61672231, 12071145); Natural Science Foundation of Shanghai Municipality (19ZR1414200); National Key Research and Development Program of China (2020AAA0107400, 2018YFB2101300)

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
    摘要:

    人工智能在与人类生活息息相关的场景中自主决策时,正逐渐面临法律或伦理的问题或风险.可信机器学习是建立安全人工智能系统的核心技术,是人工智能领域的热门研究方向,而公平性是可信机器学习的重要考量.公平性旨在研究机器学习算法决策对个人或群体不存在因其固有或后天属性所引起的偏见或偏爱.从公平表征、公平建模和公平决策这3个角度出发,以典型案例中不公平问题及其危害为驱动,分析数据和算法中造成不公平的潜在原因,建立机器学习中的公平性抽象定义及其分类体系,进一步研究用于消除不公平的机制.可信机器学习中的公平性研究在人工智能多个领域中处于起步阶段,如计算机视觉、自然语言处理、推荐系统、多智能体系统和联邦学习等.建立具备公平决策能力的人工智能算法,是加速推广人工智能落地的必要条件,且极具理论意义和应用价值.

    Abstract:

    Artificial intelligence raises legal and ethical issues or risks when used to automated decision-making in areas closely related to daily life. Trustworthy machine learning is the core technology in artificial intelligence safety. It is a trending research direction, of which fairness is an essential aspect. Fairness is the absence of any prejudice or favoritism towards an individual or a group based on their inherent or acquired characteristics which are irrelevant in the particular context of decision-making. A comprehensive and structured overview of three research contents is provided, namely, fair representation, fair modeling, and fair decision-making algorithm. The potential causes and harmful consequences of unfairness are first identified in data and algorithm processing. Then, the abstract definition and primary mechanisms for eliminating unfairness are summarized. The research on fairness is at its early stage in fields such as computer vision, natural language processing, recommender systems, multi-agent systems, and federated learning. Fairness is a prerequisite for the application of machine learning, and constructing fair algorithms has theoretical significance and practical values.

    参考文献
    相似文献
    引证文献
引用本文

刘文炎,沈楚云,王祥丰,金博,卢兴见,王晓玲,查宏远,何积丰.可信机器学习的公平性综述.软件学报,2021,32(5):1404-1426

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
历史
  • 收稿日期:2020-07-19
  • 最后修改日期:2020-11-07
  • 录用日期:
  • 在线发布日期: 2021-01-15
您是第位访问者
版权所有:中国科学院软件研究所 京ICP备05046678号-3
地址:北京市海淀区中关村南四街4号,邮政编码:100190
电话:010-62562563 传真:010-62562533 Email:jos@iscas.ac.cn
技术支持:北京勤云科技发展有限公司

京公网安备 11040202500063号