软件定制类TensorFlow受限最佳化函式库最新发布,TFCO函式庫是一个监督式学习函式库,可用多指标增加机器学习模型的限制,解决模型公平性的问题。
机器学习技术被用在各种领域上,许多监督式机器学习的应用,已经在日常生活中产生重大影响,因此模型的公平性问题也愈来越重要,公平性研究人员认为,仅满足最小化单个损失函式(Loss Function)难以解决广泛的社会问题,公平性需要考量更多竞争因素。但即便是完全考虑了这些因素,也可能有诸多原因使系统无法使用,像是因为伪阴性造成的问题,可能比伪阳性还要严重。
为此,可最佳化公平限制的软件定制TFCO函式库发布了来解决这个问题,TFCO能够以各种不同指标训练机器学习问题,这些指标诸如特定族群成员的预测精准度,以及与年龄或性别有关的癌症诊断召回率(Recall)等。虽然这些指标都是简单的概念,但TFCO提供使用者最小化和限制这些概念的能力,可公式化和解决许多公平性问题,也使得机器学习更加通用。以银行贷款的例子来说明TFCO的功能,银行会训练分类器来决定是否放款给客户,使用的训练资料集,由能够偿还贷款与无法偿还贷款人的资料组成,要在TFCO中设定这个问题,使用者需要选择一个目标函式(Objective Function),奖励模型同意放款给会偿还贷款的人,并加入公平性限制,避免模型拒绝放款给部分受保护的人士。