L234 機器學習治理
完成後你能：分辨標籤偏差與取樣偏差，說出哪些應用最需要可解釋性，並知道同態加密、雜湊、差分隱私與聯邦學習在跨機構訓練時各負責什麼。
這個單元約 20 分鐘：讀重點，練 2 題，再用 3 題沒做過的題目驗證。
- 讀重點
下方的白話重點與例子 - 練 2 題
- 驗證 3 題
步驟 1・讀重點
先看懂這些
L23402 演算法偏見與公平性
| 偏差 | 來源 | 例子 |
|---|---|---|
| 標籤偏差 | 標註的人把主觀偏見帶進標籤 | 依個人觀念貼標籤，模型學到標註者的立場 |
| 取樣偏差 | 訓練資料只涵蓋部分族群 | 只用高活躍顧客訓練，對新會員預測不準 |
- 可解釋性最需要的情境是攸關人身安全或權益的決策，例如醫院用 AI 判斷腫瘤惡性的可能性，給醫師當診斷依據
- SHAP 量化每個特徵對預測的貢獻，Grad-CAM 標出影像裡影響判斷的區域
- 傳統信用評分卡要可解釋、符合監理要求，標準流程不包含用生成式模型做特徵學習
L23401 數據隱私、安全與合規
| 技術 | 負責什麼 |
|---|---|
| 同態加密 | 加密狀態下直接運算，訓練全程不用解密 |
| 非對稱加密 | 安全交換金鑰 |
| 單向雜湊 | 驗證資料有沒有被竄改 |
| 對稱加密 | 大量資料的傳輸加密 |
| 差分隱私 | 在結果加入雜訊，看不出單一個人 |
| 聯邦學習 | 資料不離開各機構，只交換模型更新 |
114 年第二梯次原卷考過：跨銀行聯合訓練、資料不能解密，技術組合是同態加密、非對稱加密、單向雜湊加上對稱加密。
考試陷阱
- 標籤偏差來自標註的人，取樣偏差來自資料只涵蓋部分族群
- 雜湊是單向的，用來驗證完整性，不能解密還原