arXiv · Machine Learning Theory· Bente Hinkenhuis, Seyed Sahand Mohammadi Ziabari, Ali Mohammed Mansoor Alsahag·· 5 小时前AI 评分22
整合公平性与可解释性的多重实例强化学习系统
Integrating Fairness and Explainability in a Multiple Instance Reinforcement Learning System
AI 导读
该研究提出结合 RL-MIL、对抗去偏与偏好条件超网络的多目标框架，用于预测学生风险。RL-MIL 基线分类性能强，但两种超网络扩展均出现模式坍缩：偏好权重变化无法在公平性-性能前沿上产生系统性移动。失败源于目标主导、条件机制梯度传播弱及动态生成参数的交互；公平 RL-MIL 需要显式的梯度平衡、目标分离与稳定性机制。
来源：arXiv · Machine Learning Theory · arxiv.org