DataSift框架利用选择性数据扩展提升模型公平性

DataSift 框架通过结合数据估值、分区策略与多臂老虎机算法，旨在快速提升机器学习模型的公平性。2026年10月20日，相关研究在 arXiv 机器学习领域发布。 该框架核心创新在于利用影响函数（Influence Functions）。这一机制允许在不重新训练模型的前提下，直接评估特定数据批次对模型性能的影响，从而实现了高效的数据筛选与验证过程。 研究团队在多个真实世界及合成数据集上验证了该方法的有效性。结果表明，通过选择性扩展少量高质量数据，即可显著改善模型的公平性指标，证明了该方法在实际应用中的高效性与可行性。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。