整合公平性与可解释性的多重实例强化学习系统

1. 12:00
   arXiv · Machine Learning Theory

   整合公平性与可解释性的多重实例强化学习系统

   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。

Current heat 9·Comparable peak 10（Oct 2）·Comparable change over 24 hours –

The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.