On The Fairness Impacts of Hardware Selection in Machine Learning

在机器学习生态系统中，硬件选择经常被视为纯粹的工具，被算法和数据的聚光灯所掩盖。在ML作为服务平台等情境中，用户常常缺乏对模型部署所使用硬件的控制权，这种忽视尤其令人担忧。选择何种硬件会影响泛化性能？本文研究了硬件对模型性能和公平性之间微妙平衡的影响。我们证明了硬件选择会加剧现有的差异，将这些差异归因于不同人口群体之间梯度流和损失面的变化。通过理论和实证分析，本文不仅确定了潜在因素，还提出了一种有效的策略来减轻硬件引起的性能不平衡。

硬件选择对模型性能和公平性的影响是什么？本文旨在研究硬件选择如何影响模型的泛化性能和公平性，并提出有效策略来缓解硬件引起的性能不平衡。

本文通过理论和实证分析，发现硬件选择会导致不同人群之间的梯度流和损失曲面的差异，从而加剧现有的不平等现象。提出了一种有效的策略来缓解硬件引起的性能不平衡。

本文的实验设计和数据集使用值得关注。论文提出的策略对于缓解硬件引起的性能不平衡具有实际意义。

近期在该领域的相关研究包括：“Fair Resource Allocation in Federated Learning”、“Mitigating Bias in Algorithmic Hiring: Evaluating Claims and Practices”等。