總覽

MinDiff 是一種模型補救技術，旨在平衡兩種分配。實際上，它可用於平衡資料不同切片之間的錯誤率，方法是懲罰分配差異。

通常，當您嘗試確保群組公平性時，例如盡量縮小敏感類別資料切片與效能較佳切片之間，在誤判率 (FPR) 或錯失率 (FNR) 方面的差異時，您可以套用 MinDiff。如需公平性指標的深入討論，請參閱關於此主題的文獻。¹²³

MinDiff 如何運作？

給定來自我們資料集的兩組範例，MinDiff 會在模型訓練期間，因這兩組之間分數分配的差異而懲罰模型。根據預測分數，兩組的可區分性越低，則套用的懲罰越小。

懲罰是透過將一個組件新增至模型用於訓練的損失中來套用。它可以被認為是對模型預測分配差異的衡量。隨著模型的訓練，它會嘗試透過使分配更接近來盡量縮小懲罰，如下圖所示。

套用 MinDiff 可能會帶來與原始任務效能相關的取捨。MinDiff 可能在不使效能超出產品需求的情況下有效，但產品負責人應審慎決定效能與 MinDiff 效力之間的平衡。如需顯示如何實作 MinDiff 的範例，請參閱模型補救個案研究筆記本。

資源

• 如需在文字分類模型上套用 MinDiff 的教學課程，請參閱MinDiff Keras 筆記本。

• 如需關於 TensorFlow 網誌上 MinDiff 的網誌文章，請參閱套用 MinDiff 以改進模型網誌文章。

• 如需完整的模型補救程式庫，請參閱model-remediation Github 儲存庫。