公平性与鲁棒性编辑
以公平性与鲁棒性为目标的数据驱动模型修正。
公平性与鲁棒性 是在一定条件下可通过调整数据或数据权重来改善的可靠性目标。公平性关注不同群体之间系统性的表现或待遇差异；鲁棒性关注模型在扰动、数据损坏、对抗输入或分布偏移下的稳定性。
研究背景编辑
乔鑫宝的机器遗忘工作也关注删除操作对公平性与鲁棒性的影响。在 超越二元擦除 中，操作从二元擦除推广为连续加权，使某些数据可以被部分删除、修正或强调。这样，公平性与鲁棒性成为数据操作层的一部分，而不是训练后的独立后处理。
与乔鑫宝工作的关系编辑
乔鑫宝的 AAAI 2026 论文研究非二元的软加权遗忘：通过调整每个样本保留的影响，在改善公平性或鲁棒性的同时限制效用损失。它以数据权重作为 数据中心 ML 的干预手段，也服务于 可信 AI 在社会或对抗约束下提高模型可靠性的目标。