כתבה arXiv cs.LG · 1 באוקטובר 2026

אודות ניטור פעיל ומועיל של צדקנות רב-קבוצתית

Efficient Active Auditing of Multi-Group Fairness with Bias Probes

ניטור פעיל ומועיל של צדקנות רב-קבוצתית עם ניחושי עדינות. המאמר עוסק בפיתוח של ניטור פעיל ומועיל של צדקנות רב-קבוצתית, שמטרתו לגלות ולתאר את הצדקנות של דגמי ML. המאמר עוסק גם בפיתוח של ניחושי עדינות, שמטרתם לגלות ולתאר את הצדקנות של דגמי ML. המאמר עוסק גם בפיתוח של ניטור פעיל ומועיל של צדקנות רב-קבוצתית, שמטרתו לגלות ולתאר את הצדקנות של דגמי ML.

תקציר מקורי באנגליתarXiv:2609.40034v1 Announce Type: new Abstract: Over the past decade, Machine Learning (ML) has been trained under dual objectives: minimizing prediction error via Empirical Risk Minimization (ERM) while controlling unfairness bias. In practice, however, fairness-aware training often yields limited improvements over standard ERM, making reliable post hoc auditing essential. Existing auditing approaches for black-box models either rely on model reconstruction --exposing systems to extraction attacks-- or directly estimate fairness metrics, offering limited insight into which regions of the data distribution drive bias. More fundamentally, property-specific auditing --aimed at extracting only targeted fairness information without reconstructing the model-- remains poorly understood. In this

קרא במקור המקורי

arxiv.org פתח כתבה מקורית

#research

אודות ניטור פעיל ומועיל של צדקנות רב-קבוצתית

כתבות קשורות