---
title: "機器學習公平性（Fairness in Machine Learning）"
slug: fairness-in-machine-learning
language: zh-TW
source: https://aiterms.tw/terms/fairness-in-machine-learning
updated_at: 2026-07-04
tags: [AI倫理與治理, 機器學習, 模型評估, source:ipas]
ipas_term: true
---

# 機器學習公平性（Fairness in Machine Learning）

機器學習公平性旨在確保人工智慧系統決策的客觀與公正，防止演算法因使用者的種族、性別或年齡等受保護特徵而產生系統性的偏見與歧視。

## 完整說明

機器學習公平性是一種致力於消除演算法偏見的技術準則，用於確保人工智慧系統不會因種族或性別等特徵產生歧視，能夠保障所有使用者受到公正對待。常見應用包括金融信用評估、履歷自動篩選與醫療資源分配等領域，藉由公平性指標實踐負責任科技。

## iPAS 考試出題分析

屬於未分類考範圍。

## 常見問題

### 為什麼單純從訓練資料中移除性別或種族欄位，無法解決機器學習的偏見問題？

許多人以為在訓練資料中刪除受保護特徵，模型自然就不會產生歧視。這種做法被稱為盲目公平，實際上無法解決問題。因為在複雜的資料集中存在著冗餘編碼現象，即使移除了敏感特徵，模型仍可透過其他中立特徵（如郵遞區號、購物習慣等代理變數）推斷出被隱藏的資訊。模型依然會複製歷史資料中的歧視性關聯。單純隱藏資訊反而會剝奪衡量群體差異的基準數據，使檢測與修正偏見變得更加困難。

### 追求機器學習的公平性，是否意味著我們必須大幅犧牲模型的預測準確率？

不一定。在某些情境下，為滿足嚴格的公平性數學約束，確實可能需要稍微降低整體的預測準確率，這種現象被稱為準確度與公平性的權衡。然而這種權衡並非絕對。模型之所以對特定群體產生偏見，常是因為訓練資料存在瑕疵或缺乏代表性。當開發團隊致力於解決公平性問題、清理資料並設計更穩健的特徵表示方法時，往往能促使模型學習到更真實的底層模式。消除偏見的努力有時不僅能提升系統公正性，也能改善模型的整體表現。

### 各領域對於機器學習公平性的要求是否一致？我們能否開發出絕對公平的演算法？

各領域對公平性的要求存在顯著差異，且數學上已經證明無法開發出同時滿足所有定義的絕對公平演算法。不可能性定理指出，多種常見的群體公平性指標在存在基礎分佈差異時是互斥的。這表示我們必須根據具體應用場景與社會價值觀，在不同指標間進行權衡。例如司法風險評估可能重視減少偽陽性，而傳染病篩檢則更關注減少偽陰性。公平性並非單純的工程優化問題，而是需要跨領域專家參與並適應不同脈絡的動態決策過程。

---

來源：https://aiterms.tw/terms/fairness-in-machine-learning
快查頁：https://aiterms.tw/terms/fairness-in-machine-learning
最後更新：2026/07/04
深度解說：https://aiterms.tw/learning/what-is-fairness-in-machine-learning