一种边界引导的黑盒公平性测试方法

本发明公开了一种边界引导的黑盒公平性测试方法，涉及人工智能、软件测试领域，通过在潜空间中构造数据集模拟目标模型的决策过程来推导指向决策边界的方向向量。利用神经网络模型在决策边界附近预测输出不鲁棒的特性，构建向决策边界方向探索的多条探索路径，在决策边界附近生成歧视样本,并进一步在生成的靠近边界的实例样本中加入微量随机噪音以生成大量相似的歧视样本，这有助于我们更好地揭示神经网络模型的公平性特征，修复模型存在的公平性缺陷。本发明可用于表格数据、图像数据场景的黑盒公平性测试样本生成方法中，具有较好的现实意义和实际效果。