Apprendimento Online con Molteplici Regolarizzatori di Equità tramite Feedback Strutturato a Grafo
Un recente articolo sull'apprendimento automatico affronta la difficoltà di implementare vari criteri di equità, spesso in conflitto tra loro, nei sistemi decisionali automatizzati. Il bilanciamento ottimale di questi obiettivi di equità di solito non è predeterminato, può evolvere nel tempo e deve essere appreso in modo adattivo attraverso interazioni continue. Questa ricerca presenta il problema come un problema bandit, utilizzando feedback strutturato a grafo per il processo decisionale. Il documento è disponibile su arXiv nelle sezioni di informatica e apprendimento automatico.
Fatti principali
- Articolo intitolato 'Online Learning with Multiple Fairness Regularizers via Graph-Structured Feedback'
- Affronta l'imposizione di molteplici misure di equità concorrenti nei sistemi decisionali automatizzati
- La ponderazione degli obiettivi di equità è sconosciuta a priori e può cambiare nel tempo
- La ponderazione deve essere appresa in modo adattivo attraverso interazioni sequenziali
- Problema inquadrato in un contesto bandit con feedback strutturato a grafo
- Disponibile su arXiv con ID 2508.14311
- Inviato alla categoria Computer Science > Machine Learning
- Include riferimenti, citazioni e collegamenti a codice/dati
Entità
Istituzioni
- arXiv