算法公平

🧬 知识点关系网络

数据→算法→预测→反馈

⬆️ 偏见可能从数据注入，被算法放大，在反馈中固化。

公平定义 —— 人口统计均等、机会均等、反事实公平……没有单一最佳定义，需根据场景选择。
💡 阅读ProPublica关于COMPAS再犯预测算法的争议案例。
偏见缓解 —— 预处理（重加权、数据增强），中间处理（对抗去偏、正则化），后处理（调整阈值）。
💡 用Fairlearn在贷款审批数据集上评估并缓解性别偏见。
公平性评估 —— 计算不同子群体的选择率、假阳性率等指标差异。
💡 在你的模型中按敏感属性分组评估性能。

💡 学习贴士： 理论与代码并重，动手实现经典模型，在GPU上验证想法。

前置依赖： 学习算法公平前，建议具备Python编程、线性代数、概率论基础。

后续延伸： 学完算法公平后，可继续深入AI的其他子领域或应用方向。

🔵 已开放 · 可随时探索🟠 生长中 · 内容持续丰富🟣 探索级 · 深度拓展

🌱 为了包容与博爱的传递，为了知识平权，善智导航正在陆续深化每一个知识点页面。
下方所有知识点均已预留链接，可随时点击探索。

✨ 每个链接都是一扇门，推开即是新世界。

避免种族、性别歧视，确保公平放贷。

防止对特定社区的过度监控。

确保招聘算法不偏好特定性别或学校。

我是一名正在学习算法公平的学生，请用生动易懂的方式为我讲解其核心概念，并结合AI领域的实际应用场景加以说明。