10:16
arXiv cs.LG@Khoat Than
精选
推荐理由：这篇论文用数学证明了公平和准确不可兼得，小样本会让偏见更严重，模型表达能力不够也不行。做AI公平的人都会引用它。
全部 AI 动态
AI 相关资讯全量信息流
6月17日
10:16
该论文给出No-Free-Fairness定理，指出学习系统中不公平的三个根本来源。首先，当任务在子组上存在不可约成本时，任何决策规则必须在整体性能与子组差异间权衡，形成固有的公平-成本边界。其次，即使在理想无噪声场景下存在完全公平且准确的解，有限样本学习也会导致子组间非平凡差异，且强制执行严格相对公平可能使达到低成本所需样本数呈指数增长。最后，模型类限制可独立引发差异：若模型无法表示某子组的准确解，则公平性无法通过数据或训练实现。
6月16日
20:46
AITOP6月16日 20:46
6月15日
11:11
11:11
arXiv cs.LG@Abdellah Aznag, Rachel Cummings, Adam N. Elmachtoub
推荐理由：新复杂度指标VLC揭示主动学习难度来源
6月12日
12:57
AITOP6月12日 12:57
6月11日
15:28
AITOP6月11日 15:28
15:23
AITOP6月11日 15:23
15:07
AITOP6月11日 15:07
5月26日
11:47
11:47
arXiv cs.AI@Rustem Takhanov, Zhenisbek Assylbekov
精选
推荐理由：这篇论文为核方法注入可解释的线性特征提供了理论保障，做高维数据建模或核方法研究的团队值得关注，尤其适合处理特征显著但残差噪声小的场景。