'நியாயமான' AI நியாயமற்ற முடிவுகளை வழங்கும்போது என்ன செய்ய வேண்டும்

இணைப்புகளின் அட்டவணை சுருக்கம் மற்றும் 1 அறிமுகம் 2 தொடர்புடைய படைப்புகள் 3 முன்னோட்டங்கள் 3.1 நியாயமான மேற்பார்வையிடப்பட்ட கற்றல் மற்றும் 3.2 நியாயத்தன்மை அளவுகோல்கள் 3.3 நியாயமான மேற்பார்வையிடப்பட்ட கற்றலுக்கான சார்பு நடவடிக்கைகள் DP-அடிப்படையிலான நியாயமான மேற்பார்வை கற்றலின் 4 தூண்டல் சார்புகள் 4.1 கோட்பாட்டு முடிவுகளை சீரற்ற கணிப்பு விதிக்கு விரிவுபடுத்துதல். 5 DP-அடிப்படையிலான நியாயமான கற்றலுக்கான ஒரு பரவலான வலுவான உகப்பாக்க அணுகுமுறை 6 எண் முடிவுகள் 6.1 பரிசோதனை அமைப்பு 6.2 DP-அடிப்படையிலான நியாயமான கற்றலில் பயிற்சி பெற்ற மாதிரிகளின் தூண்டல் சார்புகள் 6.3 பன்முகத்தன்மை கொண்ட கூட்டாட்சி கற்றலில் DP-அடிப்படையிலான நியாயமான வகைப்பாடு 7 முடிவுரை மற்றும் குறிப்புகள் இணைப்பு A சான்றுகள் பட தரவுத்தொகுப்புக்கான கூடுதல் முடிவுகள் இணைப்பு B சுருக்கம் உணர்திறன் பண்புக்கூறில் சிறிதளவு சார்ந்து லேபிள்களை ஒதுக்கும் நியாயமான மேற்பார்வையிடப்பட்ட கற்றல் வழிமுறைகள் இயந்திர கற்றல் சமூகத்தில் பெரும் கவனத்தை ஈர்த்துள்ளன. நியாயமான வகைப்படுத்திகளைப் பயிற்றுவிப்பதில் ஒரு மாதிரியின் நியாயத்தை அளவிடுவதற்கு மக்கள்தொகை சமநிலை (DP) கருத்து அடிக்கடி பயன்படுத்தப்பட்டாலும், இலக்கியத்தில் பல ஆய்வுகள் நியாயமான கற்றல் வழிமுறைகளில் DP ஐ செயல்படுத்துவதன் சாத்தியமான தாக்கங்களை பரிந்துரைக்கின்றன. இந்த வேலையில், உணர்திறன் பண்புக்கூறுக்கு கொடுக்கப்பட்ட கணிக்கப்பட்ட லேபிளின் நிபந்தனை விநியோகத்தில் நிலையான DP- அடிப்படையிலான ஒழுங்குமுறை முறைகளின் விளைவை நாங்கள் பகுப்பாய்வு ரீதியாக ஆய்வு செய்கிறோம். உணர்திறன் பண்புக்கூறின் சீரான விநியோகத்துடன் கூடிய சமநிலையற்ற பயிற்சி தரவுத்தொகுப்பு, பெரும்பாலான பயிற்சித் தரவை வைத்திருக்கும் உணர்திறன் பண்புக்கூறின் விளைவை நோக்கி சார்புடைய வகைப்பாடு விதிக்கு வழிவகுக்கும் என்பதை எங்கள் பகுப்பாய்வு காட்டுகிறது. DP- அடிப்படையிலான நியாயமான கற்றலில் இத்தகைய தூண்டல் சார்புகளைக் கட்டுப்படுத்த, உணர்திறன் பண்புக்கூறின் விளிம்பு விநியோகத்திற்கு எதிராக வலுவான தன்மையை மேம்படுத்தும் உணர்திறன் பண்புக்கூறு அடிப்படையிலான விநியோக ரீதியாக வலுவான உகப்பாக்கம் (SA-DRO) முறையை நாங்கள் முன்மொழிகிறோம். இறுதியாக, நிலையான மையப்படுத்தப்பட்ட மற்றும் விநியோகிக்கப்பட்ட கற்றல் சிக்கல்களுக்கு DP- அடிப்படையிலான கற்றல் முறைகளைப் பயன்படுத்துவது குறித்த பல எண் முடிவுகளை நாங்கள் வழங்குகிறோம். DP-அடிப்படையிலான நியாயமான கற்றல் வழிமுறைகளில் உள்ள தூண்டல் சார்புகள் மற்றும் முன்மொழியப்பட்ட SA-DRO முறையின் சார்பு விளைவுகள் குறித்த எங்கள் தத்துவார்த்த முடிவுகளை அனுபவ கண்டுபிடிப்புகள் ஆதரிக்கின்றன. 1 அறிமுகம் உயர்-பங்கு முடிவெடுக்கும் பணிகளில் நவீன இயந்திர கற்றல் கட்டமைப்புகளை பொறுப்புடன் பயன்படுத்துவதற்கு, பாலினம் மற்றும் இனம் போன்ற உணர்திறன் பண்புகளில் அவற்றின் வெளியீடு சார்ந்திருப்பதைக் கட்டுப்படுத்துவதற்கான வழிமுறைகள் தேவைப்படுகின்றன. உள்ளீட்டு அம்சங்களில் கணிப்பின் சார்புநிலையில் எந்த கட்டுப்பாடும் இல்லாத மேற்பார்வையிடப்பட்ட கற்றல் கட்டமைப்பு, உணர்திறன் பண்புகளுடன் கணிசமாக தொடர்புடைய பாரபட்சமான முடிவுகளுக்கு வழிவகுக்கும். பல இயந்திர கற்றல் பயன்பாடுகளில் நியாயத்தன்மை காரணியின் முக்கிய முக்கியத்துவம் காரணமாக, நியாயமான புள்ளிவிவர கற்றல் வழிமுறைகளின் ஆய்வு மற்றும் மேம்பாடு இலக்கியத்தில் பெரும் கவனத்தைப் பெற்றுள்ளது. DP-அடிப்படையிலான கற்றல் வழிமுறைகளின் சார்புகளைக் குறைக்க, நாங்கள் ஒரு உணர்திறன் பண்புக்கூறு அடிப்படையிலான விநியோக ரீதியாக வலுவான உகப்பாக்கம் (SA-DRO) முறையை முன்மொழிகிறோம், இதில் நியாயமான கற்பவர் தரவு அடிப்படையிலான விளிம்பு விநியோகத்தைச் சுற்றியுள்ள உணர்திறன் பண்புக்கூறு விளிம்பு விநியோகங்களின் தொகுப்பின் மீது மோசமான நிலை DP-ஒழுங்குபடுத்தப்பட்ட இழப்பைக் குறைக்கிறார். இதன் விளைவாக, SA-DRO அணுகுமுறை உணர்திறன் பண்புக்கூறு விளைவுகளின் வெவ்வேறு அதிர்வெண்களைக் கணக்கிட முடியும், இதனால் உணர்திறன் பண்புக்கூறின் பெரும்பான்மை விளைவில் ஏற்படும் மாற்றங்களுக்கு வலுவான நடத்தையை வழங்க முடியும். தரவுத்தொகுப்பில் பெரும்பான்மையைக் கொண்ட உணர்திறன் பண்புக்கூறுக்கு DDP-அடிப்படையிலான நியாயமான வகைப்பாடு முறைகளின் சாத்தியமான சார்புகள் குறித்த பல எண் சோதனைகளின் முடிவுகளை நாங்கள் வழங்குகிறோம். எங்கள் அனுபவ கண்டுபிடிப்புகள் கோட்பாட்டு முடிவுகளுடன் ஒத்துப்போகின்றன, இது உணர்திறன் பண்புக்கூறு அடிப்படையிலான பெரும்பான்மை குழுவை நோக்கி DP-அடிப்படையிலான நியாயமான வகைப்பாடு விதிகளின் தூண்டல் சார்புகளைக் குறிக்கிறது. மறுபுறம், DRO-SA-அடிப்படையிலான நியாயமான கற்றல் முறை பெரும்பான்மை உணர்திறன் பண்புக்கூறின் கீழ் லேபிள் விநியோகத்தை நோக்கி குறைந்த சார்புடன் நியாயமான வகைப்பாடு விதிகளில் விளைகிறது என்பதை எங்கள் முடிவுகள் குறிப்பிடுகின்றன. மேலும், நடைமுறையில் இத்தகைய தூண்டல் சார்புகளின் தாக்கங்களைக் காட்ட, பல வாடிக்கையாளர்கள் பரவலாக்கப்பட்ட மாதிரியைப் பயிற்றுவிக்க முயற்சிக்கும் ஒரு கூட்டாட்சி கற்றல் சூழலில் நியாயமான வகைப்பாடு பணியை நாங்கள் பகுப்பாய்வு செய்கிறோம். வாடிக்கையாளர்களிடையே பன்முகத்தன்மை கொண்ட உணர்திறன் பண்புக்கூறு விநியோகங்களைக் கொண்ட ஒரு அமைப்பில் நாங்கள் கவனம் செலுத்துகிறோம், அங்கு வாடிக்கையாளர்களின் பெரும்பான்மை உணர்திறன் பண்புக்கூறு விளைவு உடன்படாமல் போகலாம். படம் 1 வயதுவந்தோர் தரவுத்தொகுப்பை விட இதுபோன்ற ஒரு கூட்டாட்சி கற்றல் சூழ்நிலையை விளக்குகிறது, அங்கு கிளையன்ட் 1 இன் பெரும்பான்மை உணர்திறன் பண்புக்கூறு (பெண் மாதிரிகள்) நெட்வொர்க்கின் பெரும்பான்மை குழுவிலிருந்து (ஆண் மாதிரிகள்) வேறுபட்டது, இதன் விளைவாக, DP- அடிப்படையிலான நியாயமான கூட்டமைப்பு கற்றலுடன் கிளையன்ட் 1 இன் சோதனை துல்லியம் கிளையன்ட் 1 இன் தரவில் மட்டுமே பயிற்சி பெற்ற உள்ளூர்மயமாக்கப்பட்ட நியாயமான மாதிரியின் சோதனை துல்லியத்தை விட கணிசமாகக் குறைவாக உள்ளது. இத்தகைய எண் முடிவுகள் நியாயமான கூட்டமைப்பு கற்றலில் பங்கேற்பதில் வாடிக்கையாளரின் ஊக்கத்தை கேள்விக்குள்ளாக்குகின்றன. இந்த வேலையின் முக்கிய பங்களிப்புகளின் சுருக்கம் பின்வருமாறு: • பெரும்பான்மை உணர்திறன் பண்புக்கூறுக்கு எதிரான DP-அடிப்படையிலான நியாயமான கற்றலின் சார்புகளை பகுப்பாய்வு ரீதியாக ஆய்வு செய்தல், • DP-அடிப்படையிலான நியாயமான வகைப்பாட்டின் சார்புகளைக் குறைக்க, விநியோக ரீதியாக வலுவான உகப்பாக்க முறையை முன்மொழிதல், • மையப்படுத்தப்பட்ட மற்றும் கூட்டாட்சி கற்றல் சூழ்நிலைகளில் DP-அடிப்படையிலான நியாயமான கற்றலின் சார்புகள் குறித்த எண் முடிவுகளை வழங்குதல். 2 தொடர்புடைய படைப்புகள் இந்தப் பணியில், மக்கள்தொகை சமநிலையை (DP) நோக்கமாகக் கொண்ட கற்றல் கட்டமைப்புகளில் கவனம் செலுத்துகிறோம். DP-ஐ கண்டிப்பாக வைத்திருக்க கட்டாயப்படுத்துவது விலை உயர்ந்ததாகவும் கற்பவரின் செயல்திறனுக்கு சேதத்தை ஏற்படுத்துவதாகவும் இருக்கலாம் என்பதால், இயந்திர கற்றல் இலக்கியம் சீரற்ற மாறிகளுக்கு இடையிலான சார்புநிலையை மதிப்பிடும் பல அளவீடுகளைப் பயன்படுத்த முன்மொழிந்துள்ளது, அவற்றில் பின்வருவன அடங்கும்: பரஸ்பர தகவல்: [3–7], பியர்சன் தொடர்பு [8, 9], கர்னல் அடிப்படையிலான அதிகபட்ச சராசரி வேறுபாடு: [10], மக்கள்தொகை சமநிலையின் (DDP) அளவீடுகளின் வேறுபாட்டின் கர்னல் அடர்த்தி மதிப்பீடு [11], அதிகபட்ச தொடர்பு [12–15], மற்றும் அதிவேக ரென்யி பரஸ்பர தகவல் [16]. எங்கள் பகுப்பாய்வில், நாங்கள் பெரும்பாலும் DDP- அடிப்படையிலான நியாயமான ஒழுங்குமுறைத் திட்டத்தில் கவனம் செலுத்துகிறோம், அதே நேரத்தில் பரஸ்பர தகவல் மற்றும் அதிகபட்ச தொடர்பு அடிப்படையிலான நியாயமான கற்றல் வழிமுறைகளின் விஷயத்தில் மேலும் வைத்திருக்கக்கூடிய தூண்டல் சார்புகளின் பலவீனமான பதிப்புகளை மட்டுமே நாங்கள் காட்டுகிறோம். நியாயத்தன்மை மீறல் அளவீடுகள். நியாயமான இயந்திர கற்றல் வழிமுறைகளை மூன்று முக்கிய வகைகளாக வகைப்படுத்தலாம்: முன் செயலாக்கம், பிந்தைய செயலாக்கம் மற்றும் உள் செயலாக்கம். முன் செயலாக்க வழிமுறைகள் [17–19] சார்புடைய தரவு அம்சங்களை லேபிள்கள் மற்றும் உணர்திறன் பண்புக்கூறுகள் புள்ளிவிவர ரீதியாக சுயாதீனமாக இருக்கும் ஒரு புதிய இடமாக மாற்றுகின்றன. [2, 20] போன்ற பிந்தைய செயலாக்க முறைகள் ஒரு வகைப்படுத்தியின் இறுதி முடிவை மாற்றுவதன் மூலம் அதன் பாகுபாடான தாக்கத்தைத் தணிப்பதை நோக்கமாகக் கொண்டுள்ளன. எங்கள் பணி கவனத்தின் கவனம் DP- அடிப்படையிலான நியாயமான மாதிரிகளை நோக்கி பயிற்சி செயல்முறையை முறைப்படுத்தும் உள் செயலாக்க அணுகுமுறைகளில் மட்டுமே உள்ளது. மேலும், [21–23] நியாயமான வகைப்பாட்டிற்கான விநியோக ரீதியாக வலுவான உகப்பாக்கம் (DRO) ஐ முன்மொழிகிறது; இருப்பினும், எங்கள் முறையைப் போலன்றி, இந்த படைப்புகள் சார்புகளைக் குறைக்க உணர்திறன் பண்புக்கூறு விநியோகத்தில் DRO ஐப் பயன்படுத்துவதில்லை. நியாயமான வகைப்பாடு வழிமுறைகள். எளிமைப்படுத்து இந்த ஆய்வுக் கட்டுரை . arxiv இல் CC BY-NC-SA 4.0 DEED உரிமத்தின் கீழ் கிடைக்கிறது ஆசிரியர்கள்: (1) ஹாயு LEI, கணினி அறிவியல் மற்றும் பொறியியல் துறை, ஹாங்காங் சீனப் பல்கலைக்கழகம் (hylei22@cse.cuhk.edu.hk); (2) அமின் கோஹாரி, தகவல் பொறியியல் துறை, ஹாங்காங் சீனப் பல்கலைக்கழகம் (agohari@ie.cuhk.edu.hk); (3) ஃபர்சான் ஃபர்னியா, கணினி அறிவியல் மற்றும் பொறியியல் துறை, ஹாங்காங் சீனப் பல்கலைக்கழகம் (farnia@cse.cuhk.edu.hk).