Fairness on 中文AI术语词典https://terms-en.ai-term-hub.com/zh/tags/fairness/Recent content in Fairness on 中文AI术语词典Hugozh-cnSat, 18 Jul 2026 11:44:45 +0000刻板印象https://terms-en.ai-term-hub.com/zh/terms/stereotype/Sat, 18 Jul 2026 11:38:39 +0000https://terms-en.ai-term-hub.com/zh/terms/stereotype/<h2 id="definition">Definition</h2> <p>在人工智能中，当模型学习并放大训练数据中存在的社会偏见时，就会产生刻板印象。这可能导致歧视性结果，例如将某些职业与特定性别联系起来。</p> <h3 id="summary">Summary</h3> <p>一种概括性的、往往过于简化的信念，反映在 AI 的输出中。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>算法偏见</li> <li>公平性</li> <li>社会偏见</li> <li>歧视</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>审计招聘算法中的性别偏见</li> <li>纠正面部识别中的种族偏见</li> <li>开发更公平的自然语言处理模型</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/bias-mitigation-%E5%81%8F%E8%A7%81%E7%BC%93%E8%A7%A3/">Bias Mitigation (偏见缓解)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/fairness-metrics-%E5%85%AC%E5%B9%B3%E6%80%A7%E6%8C%87%E6%A0%87/">Fairness Metrics (公平性指标)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/algorithmic-discrimination-%E7%AE%97%E6%B3%95%E6%AD%A7%E8%A7%86/">Algorithmic Discrimination (算法歧视)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/dataset-curation-%E6%95%B0%E6%8D%AE%E9%9B%86%E7%AD%96%E5%B1%95/">Dataset Curation (数据集策展)</a></li> </ul>Inductive Biashttps://terms-en.ai-term-hub.com/zh/terms/inductive_bias/Sat, 18 Jul 2026 11:22:14 +0000https://terms-en.ai-term-hub.com/zh/terms/inductive_bias/<h2 id="definition">Definition</h2> <p>归纳偏置代表了内置于机器学习模型中的固有偏好或约束，使其能够从训练数据泛化到未见过的数据。如果没有这些偏置，模型将无法&hellip;</p> <h3 id="summary">Summary</h3> <p>学习算法用于预测训练期间未见过的输入输出的一组假设。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>泛化</li> <li>假设</li> <li>模型约束</li> <li>公平性</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>设计公平算法</li> <li>防止模型过拟合</li> <li>审计AI系统中的偏见</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/overfitting-%E8%BF%87%E6%8B%9F%E5%90%88/">Overfitting (过拟合)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/algorithmic-fairness-%E7%AE%97%E6%B3%95%E5%85%AC%E5%B9%B3%E6%80%A7/">Algorithmic Fairness (算法公平性)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/regularization-%E6%AD%A3%E5%88%99%E5%8C%96/">Regularization (正则化)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/generalization-error-%E6%B3%9B%E5%8C%96%E8%AF%AF%E5%B7%AE/">Generalization Error (泛化误差)</a></li> </ul>等几率公平https://terms-en.ai-term-hub.com/zh/terms/equalized_odds/Sat, 18 Jul 2026 11:16:25 +0000https://terms-en.ai-term-hub.com/zh/terms/equalized_odds/<h2 id="definition">Definition</h2> <p>等几率公平是算法公平性中使用的一种统计parity约束，旨在确保模型对所有受保护群体具有同等良好的表现。具体而言，它要求模型在不同群体中的真正例率（TPR）和假正例率（FPR）保持一致。这意味着无论个体的敏感属性如何，模型做出正确预测的概率以及错误预测的概率应当是均衡的，从而减少系统性偏见。</p> <h3 id="summary">Summary</h3> <p>一种公平性指标，要求不同人口统计群体的真正例率和假正例率相等。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>算法公平性</li> <li>真正例率</li> <li>假正例率</li> <li>偏见缓解</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>公平借贷算法</li> <li>招聘推荐系统</li> <li>刑事司法风险评估</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/demographic-parity-%E4%BA%BA%E5%8F%A3%E7%BB%9F%E8%AE%A1%E5%9D%87%E7%AD%89/">Demographic Parity (人口统计均等)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/individual-fairness-%E4%B8%AA%E4%BD%93%E5%85%AC%E5%B9%B3/">Individual Fairness (个体公平)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/bias-audit-%E5%81%8F%E8%A7%81%E5%AE%A1%E8%AE%A1/">Bias Audit (偏见审计)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/fairness-constraints-%E5%85%AC%E5%B9%B3%E6%80%A7%E7%BA%A6%E6%9D%9F/">Fairness Constraints (公平性约束)</a></li> </ul>算法歧视https://terms-en.ai-term-hub.com/zh/terms/algorithmic_discrimination/Sat, 18 Jul 2026 11:04:37 +0000https://terms-en.ai-term-hub.com/zh/terms/algorithmic_discrimination/<h2 id="definition">Definition</h2> <p>这种现象源于AI模型因种族、性别、年龄或其他敏感属性而无意中或系统地对待个体不同。它通常源于有偏见的训练数据或</p> <h3 id="summary">Summary</h3> <p>当自动化系统基于受保护的特征产生不公平或有偏见的结果，从而对特定群体造成不利时，即发生算法歧视。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>公平性</li> <li>受保护属性</li> <li>差异影响</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>审计招聘算法中的性别偏见</li> <li>评估贷款审批系统中的种族差异</li> <li>确保面部识别在不同肤色下的准确性</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/algorithmic-bias-%E7%AE%97%E6%B3%95%E5%81%8F%E8%A7%81/">Algorithmic Bias (算法偏见)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/explainable-ai-%E5%8F%AF%E8%A7%A3%E9%87%8A%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD/">Explainable AI (可解释人工智能)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/ethical-ai-%E4%BC%A6%E7%90%86%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD/">Ethical AI (伦理人工智能)</a></li> </ul>偏见https://terms-en.ai-term-hub.com/zh/terms/bias/Sat, 18 Jul 2026 07:44:10 +0000https://terms-en.ai-term-hub.com/zh/terms/bias/<h2 id="definition">Definition</h2> <p>在 AI 伦理中，偏见指的是算法决策中的系统性且不公平的歧视，通常源于有偏见的训练数据或有缺陷的模型设计。这可能导致对特定人群的不利影响，因此在开发 AI 系统时需特别关注公平性和去偏技术。</p> <h3 id="summary">Summary</h3> <p>AI 模型中的系统性偏差，导致对某些群体或个人产生不公平的结果。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>公平性</li> <li>数据集偏差</li> <li>算法歧视</li> <li>伦理 AI</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>审计招聘算法</li> <li>审查贷款审批系统</li> <li>分析面部识别在不同人口统计群体中的准确性</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/fairness-%E5%85%AC%E5%B9%B3%E6%80%A7/">Fairness (公平性)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/explainability-%E5%8F%AF%E8%A7%A3%E9%87%8A%E6%80%A7/">Explainability (可解释性)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/data-privacy-%E6%95%B0%E6%8D%AE%E9%9A%90%E7%A7%81/">Data Privacy (数据隐私)</a></li> </ul>