成為偏見的來源之一 已從訓練資料中發現，我們可以主動採取相關措施來 減少 AI 造成的影響機器學習 (ML) 有兩項主要策略 通常能消除偏見
- 擴增訓練資料。
- 調整模型的損失函式。
擴增訓練資料
如果訓練資料稽核發現有缺漏或錯誤， 或造成資料偏差 最直觀的問題解決方式 收集額外資料
不過，儘管擴充訓練資料可能是最理想的做法， 這是因為系統缺乏 影響資料收集作業的可用資料或資源限制。例如： 收集更多資料可能過於昂貴或耗時 法律/隱私權限制
調整模型的最佳化功能
如果無法收集額外訓練資料， 減少偏誤的方法，是調整模型期間計算損失的方式 訓練而成我們通常會使用最佳化功能，例如 對數損失，以懲罰不正確的模型 預測結果但是，記錄遺失不會使子群組成員資格進入 會考量哪些因素因此，我們不需要使用對數遺失 以公平性意識對錯誤進行懲罰 能抵銷我們在訓練資料中找到的失衡性。
TensorFlow Model Remediation 程式庫提供可用於套用 不同的模型訓練過程中的不同偏誤緩解技術：
MinDiff： MinDiff 的目標是平衡兩種不同資料片段的錯誤情形 (男性/女性學生與非二元學生) 表示 兩個群組的預測分佈差異
Counterfactual Logit Pairing： Counterfactual Logit Pairing (CLP) 旨在確保 指定的範例屬性不會影響該範例的模型 範例。舉例來說，假設訓練資料集包含兩個範例，且 特徵值相同，但其中一個
gender值為male和 另一個的gender值為nonbinary，CLP 會在下列情況加上懲罰 這兩個範例的預測結果並不相同
您選擇用來調整最佳化函數的技巧如下： 會視模型用途而定在下一節中 進一步探討如何執行評估模型的公平性工作 思考這些用途