[发明专利]基于多目标进化算法的公平机器学习模型的训练方法

权利要求书

1.一种基于多目标进化算法的公平机器学习模型的训练方法，其特征在于，包括：

根据场景确定多个正交性的公平性指标和准确性指标；

根据多个正交性的公平性指标和准确性指标建模为多个优化目标；

根据基于种群的多目标进化算法的多个算子以及所述多个优化目标对机器学习模型进行演化。

2.根据权利要求1所述的方法，其特征在于，所述基于自然繁衍和适者生存法则和多目标进化算法的多个算子以及所述多个优化目标对机器学习模型进行演化，包括：

步骤1、对多个第一机器学习模型进行训练；

步骤2、在所述多个第一机器学习模型之间进行演化，得到多个第二机器学习模型；

步骤3、根据多个所述训练后的第一机器学习模型和训练后的多个第二机器学习模型的准确性指标和多个公平性指标，确定多个第三机器学习模型。

3.根据权利要求2所述的方法，其特征在于，在所述多个第一机器学习模型之间进行演化，得到多个第二机器学习模型，包括：

根据所述多个第一机器学习模型选择多个父代机器学习模型；

对所述多个父代机器学习模型进行交叉，得到多个子代机器学习模型；

对所述多个子代机器学习模型进行异变，得到多个第二机器学习模型。

4.根据权利要求3所述的方法，其特征在于，所述根据所述多个第一机器学习模型选择多个父代机器学习模型，包括：

根据多目标进化算法的选择算子，从第一数量的第一机器学习模型中选择第二数量的父代机器学习模型，所述第二数量小于所述第一数量；

相应的，所述对所述多个父代机器学习模型进行交叉，得到多个子代机器学习模型，包括：

根据所述多目标进化算法的交叉算子对所述第二数量的父代机器学习模型进行交叉，得到第一数量的子代机器学习模型；

相应的，所述对所述多个子代机器学习模型进行异变，得到多个第二机器学习模型，包括：

根据所述多目标进化算法的变异算子，对第一数量的子代机器学习模型进行异变，将变异后的子代机器学习模型作为第二机器学习模型。

5.根据权利要求2所述的方法，其特征在于，所述根据多个所述训练后的第一机器学习模型和训练后的多个第二机器学习模型的准确性指标和多个公平性指标，确定多个第三机器学习模型，包括：

对每个所述第二机器学习模型进行训练；

对于任意一个训练后的第二机器学习模型，根据所述训练后的第二机器学习模型确定多个第二公平性指标和第二准确性指标；

对于任意一个训练后的第一机器学习模型，根据所述训练后的第一机器学习模型确定多个第一公平性指标和第一准确性指标；

根据所述第一公平性指标和所述第一准确性指标、所述第二公平性指标和所述第二准确性指标，确定多个第三机器学习模型。

6.根据权利要求5所述的方法，其特征在于，在确定多个第三机器学习模型之后，还包括：

将多个第三机器学习模型确定为新的训练后的多个第一机器学习模型，循环执行步骤2至步骤3，直至满足截止条件。

7.根据权利要求5所述的方法，其特征在于，对多个第一机器学习模型进行训练，包括：

根据训练数据集对多个所述第一机器学习模型进行训练；

相应的，所述对每个所述第二机器学习模型进行训练，包括：

根据所述训练数据集对每个所述第二机器学习模型进行训练。

8.一种基于多目标进化算法的公平机器学习模型的训练装置，其特征在于，包括：

指标确定单元，用于根据场景确定多个正交性的公平性指标和准确性指标；

建模单元，用于根据多个正交性的公平性指标和准确性指标建模为多个优化目标；

演化单元，用于根据基于种群的多目标进化算法、多目标进化算法的多个算子以及所述多个优化目标对机器学习模型进行演化。