知识卡片
公平不可兼得
算法公平有多种定义,校准、机会均等和影响均等等目标可能彼此冲突。负责任的做法不是宣称“模型公平”,而是公开选择哪种公平、牺牲什么、谁承担成本。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 人工智能的哲学、伦理和安全性 27.3.3 公平与偏见 · 查看原书依据
我们希望能有一个算法既经过良好校准,又能做到机会均等,但克莱因伯格等人(Kleinberg et al., 2016)证明这是不可能的。如果基类是不同的,那么任何经过良好校准的算法都必然不能做到机会均等,反之亦然。
参考来源
- 位置:《人工智能:现代方法(第4版)(上下册)》第27章《人工智能的哲学、伦理和安全性》(源文件:`extracted/人工智能:现代方法(第4版)(上下册)/_epub-src/text/part0050_split_003.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:算法公平有多种定义,校准、机会均等和影响均等等目标可能彼此冲突。原文从「27.3.3 公平与偏见」处给出对应机制与依据,支撑本卡结论。
- 原始内容:我们希望能有一个算法既经过良好校准,又能做到机会均等,但克莱因伯格等人(Kleinberg et al., 2016)证明这是不可能的。如果基类是不同的,那么任何经过良好校准的算法都必然不能做到机会均等,反之亦然。