机构名称：
¥ 1.0
在过去的15年中，为了追求机器学习（ML）的公平性[3]提出了数百种缓解方法。但是，公平性不能简化为一个概念。This diversity stems from the impossibility of reducing fairness to a single concept, and, given a selected fairness definition, from different possible locations of interventions in the model pipeline (pre/in/post-processing) and algorithmic strategies [ 6 ].但是，这种扩散尚不清楚何时，何地和如何适用于实践中。我们建议BIMI板作为任何偏见缓解方法的设计选择的便携式，统一指南。这些数据集[9]和模型卡的数据表[12]。数据表和模型卡关注资源中存在的偏差。bimi板专注于偏置缓解方法的能力来处理某些类型的偏见。图1提供了BIMI纸的示例。表使用标签，可快速概述通常以公平性做出的主要设计选择。每个部分都充满了描述，提供了其他详细信息。板的结构如下：
bimi板用于偏置缓解方法
主要关键词
相关文件推荐
