训练数据平衡时模型的不公平现象该如何解释？模型公平性的几何给出解决方案！

“ 模型公平性的几何分析：借助感知流形的曲率来预测和增强深度神经网络的公平性”论文链接：https://arxiv.org/pdf/2303.12307.pdf   在涉及到模型公平性的讨论时，通常是在数据呈现长尾分布的场景下。但是在分布均衡的数据集上模型也表现出不同程度的偏好，这表明存在更深层次的因素影响了模型的公平性。这项工作从数据分类的几何视角出发，建立了模型公平性的几何分析。01—数据分类的几何观点   每个类别的样本分布在一个嵌入于高维空间的低维流形附近，数据分类可以被视为将不同类别对应的数据流形解缠和分离的过程，这一过程与人类视觉识别的模式相似。因此数据流形的几何特性的复杂度可能会影响到模型的表现。02—什么是感知流形？   数据流形沿着深度神经网络的层被不断映射，直至分类。每个图像在深度神经网络内部都被映 ………………………………