WikiEdge:ArXiv-2409.02471v1/terms

编辑

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。