技术
Fairness（公平性）
公平性（Fairness）是AI伦理的核心原则，旨在确保机器学习模型不因种族、性别等敏感属性对特定群体产生系统性偏见，解决歧视性预测问题。典型应用包括信贷审批、招聘筛选和司法风险评估，代表工作有IBM的AI Fairness 360和Google的What-If Tool。
详细解释
公平性研究源于算法决策在社会关键领域中的偏见放大风险。技术方法分为预处理（数据去偏）、处理中（正则化、对抗训练）和后处理（阈值调整）。公平性定义多样，如人口均等、机会均等，彼此可能冲突。评估需结合具体场景，并权衡公平与准确率。法规如欧盟AI法案已纳入公平性要求。
别名与相关写法
fairness
相关术语
Agent共现 2 篇
Reinforcement Learning共现 1 篇
Causal Abstraction共现 1 篇
Machine Learning共现 1 篇
reasoning tokens共现 1 篇
Language Model共现 1 篇
相关公司
相关资讯
研究揭示临床多智能体系统「差异洗白」偏见问题2026/10/30
思考能提升公平性吗？推理 token 的双面效应2026/9/28
研究评估Fairlearn阈值优化器在八个领域的公平性影响2026/9/24
因果抽象实现文生图扩散模型公平性高效审计2026/9/10
超越结果差距：LLM多智能体决策系统的过程感知公平性诊断2026/9/3
Qistas 发布：面向大模型公平性评估的可移植预注册协议2026/11/2
研究对医学影像量子机器学习开展敏感子群公平性审计2026/10/30
研究：同形字与隐形字符水印跨语言公平性仍存差距2026/10/28