WikiEdge:ArXiv-2409.02471v1/terms

編輯

這篇文章的術語表如下：

• 統計公平性（Statistical fairness）：在機器學習中，統計公平性是指算法預測結果在不同群體間達到某種形式的平等或均衡。
• 人口統計平等（Demographic parity）：人口統計平等是統計公平性的一種形式，要求算法預測與敏感屬性（如種族、性別）統計獨立。
• 最優傳輸（Optimal transport）：最優傳輸是數學中的一個領域，涉及在給定成本的情況下，如何以最有效的方式將一種分布轉換為另一種分布。
• 貝葉斯回歸函數（Bayes regression function）：在統計學中，貝葉斯回歸函數是基於貝葉斯定理預測響應變量的條件期望。
• 風險最小化（Risk minimization）：風險最小化是統計學習中的一個核心原則，旨在選擇一個模型或預測函數，以最小化預測誤差的期望值。
• 公平回歸（Fair regression）：公平回歸是機器學習中的一個分支，專注於開發算法，以確保回歸預測在不同群體間是公平的。
• 公平分類（Fair classification）：公平分類是機器學習中的一個概念，旨在確保分類算法對所有群體都公平，不因敏感屬性而產生歧視。
• 不知情框架（Unawareness framework）：不知情框架是算法公平性研究中的一種設置，其中算法在做出預測時不能直接使用敏感屬性。
• 成本敏感分類（Cost-sensitive classification）：成本敏感分類是機器學習中的一種方法，其中分類算法考慮不同類型錯誤（如假陽性和假陰性）的不同成本。