Компьютерные науки > Программное обеспечение [представлено 14 сентября 2026 года] Название: FairLint-DL: An IDE-Native Instrument for Salfense Debugging of Deep Learning Software View PDF HTML (экспериментальное) Резюме: Наличие инструментов анализа справедливости преимущественно используется в качестве рамок для оценки после прохождения подготовки, что требует от специалистов завершить полный жизненный цикл разработки модели до оценки отклонения. Мы представляем FairLint-DL, расширение Visual Studio Code (Визуальный студийный код), который внедряет левый подход к тестированию на справедливость путем обеспечения возможности предварительного обучения и выявления ошибок в IDE непосредственно на табличных наборах данных. FairLint-DL обучает настраиваемую глубокую нейронную сеть в качестве косвенной модели и применяет показатели количественной дискриминации (КИД) с использованием информационной теории. Приземленный в Шенноне и мини-энтропии, QID категоризирует причинное воздействие защищенных атрибутов на прогнозы. Эта система внедряет двухэтапный алгоритм поиска с градиентным управлением для выявления дискриминационных случаев, причинно-следственный отладочный трубопровод, который локализирует смещение к конкретным слоям сети и нейронам посредством анализа чувствительности, а также двигатели двойного объяснения с использованием SHAP и LIME в качестве атрибута уровня характеристик. Оценка трех табличных контрольных показателей (доход от переписи населения, немецкий кредит и…
FairLint-DL: IDE-Native инструмент для отладки программы глубокого обучения
arXiv: 2609.16321v1 Вид уведомления: перекрестное резюме: существующие инструменты анализа справедливости используются главным образом в качестве рамок оценки после прохождения подготовки, что требует от специалистов-практиков завершить полный цикл разработки модели до оценки предвзятости. Мы представляем FairLint-DL, расширение Visual Studio Code (Визуальный студийный код), который внедряет левый подход к тестированию на справедливость путем обеспечения возможности предварительного обучения и выявления ошибок в IDE непосредственно на табличных наборах данных. FairLint-DL обучает настраиваемую глубокую нейронную сеть в качестве косвенной модели и применяет показатели количественной дискриминации (КИД) с использованием информационной теории. Приземленный в Шенноне и мини-энтропии, QID категоризирует причинное воздействие защищенных атрибутов на прогнозы. Система внедряет двухфазный алгоритм поиска с градиентным управлением для обнаружения дискриминационных случаев, причинно-следственный отладочный трубопровод, который локализирует смещение к конкретным слоям сети и нейронам посредством анализа чувствительности, а также двигатели двойного объяснения с использованием SHAP и LIME для уровня характеристик
