---
title: "標籤偏誤（Label Bias）"
slug: label-bias
language: zh-TW
source: https://aiterms.tw/terms/label-bias
updated_at: 2026-07-04
tags: [AI倫理與治理, 資料處理, 模型訓練, source:ipas]
ipas_term: true
---

# 標籤偏誤（Label Bias）

標籤偏誤是指訓練資料的標註結果反映了人類主觀判斷或社會既有成見，導致資料標籤帶有系統性偏差，使AI模型學習到不公平的關聯。

## 完整說明

標籤偏誤是一種訓練資料的系統性缺陷，指標註結果反映了人類主觀判斷或社會成見。它能夠使模型吸收並放大這些偏差，導致預測失去客觀性。常見應用包括影像屬性標註、語意情緒分類與自動履歷評分，若未經校正，將造成不公平的人工智慧決策。

## iPAS 考試出題分析

屬於未分類考範圍。

## 常見問題

### 如何在機器學習專案的早期階段檢測並預防標籤偏誤？

在專案早期階段防範標籤偏誤，首要任務是建立具備包容性的標註指引。團隊應邀請跨領域專家參與制定，確保標準不侷限於單一文化視角。執行標註時，必須維持標註者群體的多樣性，防範單一族群認知盲點主導結果。同時，應導入交叉驗證機制，由多位人員獨立處理同一資料，並追蹤一致性指標。若出現顯著標註分歧，不應僅依賴多數決，需深入釐清是否潛藏社會偏見。訓練前更應進行探索性分析，檢查標籤與敏感屬性是否有異常關聯，從資料源頭根除系統性缺陷，確保後續訓練品質。

### 發現現有訓練資料存在嚴重的標籤偏誤時，有哪些技術手段可以進行補救？

發現資料集受標籤偏誤污染時，可從資料與演算法兩端著手補救。資料層面上，可投入資源針對高風險樣本進行重新標註，由具備公平性意識的專家介入修正。若成本受限，則運用樣本權重調整技術，降低系統對偏誤資料的學習比重。在演算法層面，能導入對抗性學習架構，迫使網路提取無法辨識敏感屬性的特徵，藉此忽略潛在偏見。此外，於損失函數加入公平性約束也是常見作法，透過數學懲罰限制模型在不同群體間的預測落差，從而在訓練階段主動抵銷標籤固有的系統性偏差。

### 標籤偏誤與演算法偏誤在實務上有什麼具體差異？

兩者雖皆導致AI決策不公，但成因與發生階段有根本差異。標籤偏誤屬於資料層面的缺陷，問題在於標準答案已包含主觀成見或歷史不平等，例如帶有性別偏好的過去招募紀錄。演算法偏誤則源於系統運算機制與設計選擇，即使標籤完美無瑕，演算法為追求整體誤差最小化，仍可能犧牲少數群體的準確度。實務修復上，處理標籤偏誤需要重新檢驗標註指引與人員多樣性，而解決演算法偏誤則必須修改網路架構、調整最佳化目標或引進公平性指標，兩者應對策略完全不同。

---

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