---
title: "偏見緩解（Bias Mitigation）"
slug: bias-mitigation
language: zh-TW
source: https://aiterms.tw/terms/bias-mitigation
updated_at: 2026-06-23
tags: [AI倫理與治理, 機器學習, AI基礎]
ipas_term: false
---

# 偏見緩解（Bias Mitigation）

識別和減少機器學習模型中存在的各種偏見，確保 AI 系統的公平性和非歧視性

## 完整說明

偏見緩解是指在機器學習模型開發和部署的各個階段採取措施，識別、量化和減少模型中可能存在的各種形式的偏見。這包括性別偏見、種族偏見、年齡偏見等，這些偏見可能導致 AI 系統對某些群體造成不公平的待遇或歧視。

## 常見問題

### 為什麼僅僅移除受保護特性無法消除 AI 模型中的偏見？

僅僅移除受保護特性（如種族或性別）無法消除偏見，因為代理偏見的存在。代理偏見是指當模型學會使用其他與受保護特性相關的特徵來進行區分時發生的偏見。例如，在招聘應用中，即使直接移除性別信息，模型仍可能通過名字、大學選擇或工作經歷來推斷申請者的性別。在住房應用中，移除種族信息後，模型仍可能通過郵編或其他社經地位指標進行代理區分。因此，有效的偏見緩解需要超越簡單的特徵移除，需要仔細分析模型使用的所有特徵與受保護特性的相關性，並可能需要進行更複雜的算法調整。

### 不同的公平性定義之間是否存在衝突？

是的，不同的公平性定義之間往往存在衝突，這被稱為公平性權衡或公平性不可能性。例如，考慮貸款批准的場景。一種公平性定義是確保所有人口統計群體的批准率相同（人口平衡）。另一種定義是確保給定相同信用評分的不同群體的批准率相同（校準）。在許多現實情況下，這兩個目標無法同時實現。實現一個可能意味著放棄另一個。類似的衝突出現在假陽性率公平性、假陰性率公平性和其他指標之間。這意味著選擇特定的公平性定義涉及道德和政治判斷，以及對於在給定上下文中什麼是最重要的價值判斷。不同的利益相關者可能對這些權衡有不同的看法。

### 如何監測和驗證偏見緩解措施是否有效？

監測和驗證偏見緩解措施的有效性涉及多個步驟。首先，定義明確的公平性指標，例如受保護群體和多數群體之間的性能差異、各群體的假陽性率或假陰性率的一致性。其次，定期分析模型在各種人口統計群體上的性能，特別是少數群體。第三，監測模型決策的現實世界影響，包括收集來自受模型決定影響的個人的反饋。第四，進行定期的審計和評估，可能由獨立的第三方進行，以確保偏見沒有被重新引入。第五，實施持續監測系統，在模型部署後監控其性能，以便及早發現任何偏見的再次出現。第六，與受影響的社區和利益相關者進行開放式的溝通，收集他們對公平性和偏見的看法。最後，準備好在發現問題時進行迭代改進和模型更新。

---

來源：https://aiterms.tw/terms/bias-mitigation
快查頁：https://aiterms.tw/terms/bias-mitigation
最後更新：2026/06/23
深度解說：https://aiterms.tw/learning/what-is-bias-mitigation