基于关键神经元定位和强化学习的网络公平性修复方法

本发明涉及人工智能领域，特别是涉及一种基于关键神经元定位和强化学习的网络公平性修复方法。该方法利用随机森林作为探针分类器，采用神经网络插桩技术将探针分类器插入到待修复神经网络中每个隐藏层后，进而实现对隐藏层的敏感信息量的估计，然后识别出敏感信息的显著压缩层，并对该层之前的隐藏层进行局部干预，以在有限的计算资源下实现更高效的公平性提升。此外，本发明进一步识别待修复层中对敏感信息传播起关键作用的关键神经元，并仅对这些神经元进行缩放调整，从而克服因需要全面修复规模庞大的所有网络层的神经元而带来的高昂计算开销与性能退化，克服神经网络公平性修复在效率、稳定性与修复效果等方面的不足。