查看“WikiEdge:ArXiv-2409.02471v1/terms”的源代码

<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2409.02471v1/terms|action=edit}} 编辑]</div>
这篇文章的术语表如下：
* [[统计公平性]]（Statistical fairness）：在机器学习中，[[统计公平性]]是指算法预测结果在不同群体间达到某种形式的平等或均衡。
* [[人口统计平等]]（Demographic parity）：[[人口统计平等]]是[[统计公平性]]的一种形式，要求算法预测与敏感属性（如种族、性别）统计独立。
* [[最优传输]]（Optimal transport）：[[最优传输]]是数学中的一个领域，涉及在给定成本的情况下，如何以最有效的方式将一种分布转换为另一种分布。
* [[贝叶斯回归函数]]（Bayes regression function）：在统计学中，[[贝叶斯回归函数]]是基于[[贝叶斯定理]]预测响应变量的条件期望。
* [[风险最小化]]（Risk minimization）：[[风险最小化]]是统计学习中的一个核心原则，旨在选择一个模型或预测函数，以最小化预测误差的期望值。
* [[公平回归]]（Fair regression）：[[公平回归]]是机器学习中的一个分支，专注于开发算法，以确保回归预测在不同群体间是公平的。
* [[公平分类]]（Fair classification）：[[公平分类]]是机器学习中的一个概念，旨在确保分类算法对所有群体都公平，不因敏感属性而产生歧视。
* [[不知情框架]]（Unawareness framework）：[[不知情框架]]是算法公平性研究中的一种设置，其中算法在做出预测时不能直接使用敏感属性。
* [[成本敏感分类]]（Cost-sensitive classification）：[[成本敏感分类]]是机器学习中的一种方法，其中分类算法考虑不同类型错误（如假阳性和假阴性）的不同成本。