Neuer Fairness-Regularizer: Cauchy-Schwarz verbessert Gerechtigkeit in ML
In der Welt des maschinellen Lernens wird Gerechtigkeit häufig durch einen Regularizer sichergestellt, der die Abhängigkeit zwischen Modellvorhersagen und sensiblen Merkmalen reduziert. Bisher basieren diese Regularizer jedoch auf heterogenen Distanzmaßen und Designentscheidungen, was ihr Verhalten schwer nachvollziehbar macht und die Leistung je nach Aufgabe stark variiert.
