আপনি যদি আপনার মেশিন লার্নিং মডেলের সাথে ন্যায্যতার উদ্বেগ সনাক্ত করে থাকেন, তাহলে তিনটি প্রাথমিক ধরনের প্রযুক্তিগত হস্তক্ষেপ উপলব্ধ রয়েছে:

• প্রশিক্ষণ ডেটা প্রাক-প্রক্রিয়াকরণ কৌশল: আরও ডেটা সংগ্রহ করা, সিন্থেটিক ডেটা তৈরি করা, উদাহরণের ওজন সামঞ্জস্য করা এবং বিভিন্ন স্লাইসের নমুনা হার।
• ট্রেনিং-টাইম মডেলিং কৌশল: মডেলের উদ্দেশ্য প্রবর্তন বা পরিবর্তন করে এবং সীমাবদ্ধতা যোগ করে মডেল নিজেই পরিবর্তন করা।
• প্রশিক্ষণ-পরবর্তী কৌশল: মেট্রিক্স জুড়ে কর্মক্ষমতা উন্নত করতে মডেলের আউটপুট বা আউটপুটগুলির ব্যাখ্যা পরিবর্তন করা।

টেনসরফ্লো মডেল রিমিডিয়েশন লাইব্রেরি মডেলটিতে হস্তক্ষেপ করার জন্য প্রশিক্ষণ-সময়ের কৌশল প্রদান করে।

টেনসরফ্লো মডেল রিমিডিয়েশন লাইব্রেরি আপনার মডেলে পক্ষপাতিত্ব এবং ন্যায্যতার সমস্যা সমাধানের জন্য দুটি কৌশল প্রদান করে, MinDiff এবং কাউন্টারফ্যাকচুয়াল লগিট পেয়ারিং (CLP) । সেগুলি নীচের টেবিলে বর্ণনা করা হয়েছে।

	MinDiff	সিএলপি
আপনি এই কৌশল কখন ব্যবহার করা উচিত?	একটি মডেল একটি সংবেদনশীল বৈশিষ্ট্যের সমস্ত মানগুলির জন্য সমানভাবে পছন্দের লেবেলের পূর্বাভাস দেয় তা নিশ্চিত করতে৷ সুযোগের গোষ্ঠী সমতা অর্জন করা।	একটি মডেলের ভবিষ্যদ্বাণী "কাউন্টারফ্যাকচুয়াল জোড়া" (যেখানে একটি বৈশিষ্ট্যে উল্লেখ করা সংবেদনশীল বৈশিষ্ট্য ভিন্ন) এর মধ্যে পরিবর্তন না হয় তা নিশ্চিত করতে। উদাহরণ স্বরূপ, একটি বিষাক্ত শ্রেণীবিভাগে , "আমি একজন মানুষ" এবং "আমি একজন সমকামী" এর মতো উদাহরণগুলির একটি ভিন্ন ভবিষ্যদ্বাণী করা উচিত নয়৷ কাউন্টারফ্যাকচুয়াল ন্যায্যতা একটি ফর্ম অর্জন.
এটা কিভাবে কাজ করে?	দুটি সেটের মধ্যে স্কোর বিতরণে পার্থক্যের জন্য প্রশিক্ষণের সময় মডেলটিকে শাস্তি দেয়।	কাউন্টারফ্যাকচুয়াল জোড়া উদাহরণগুলির মধ্যে আউটপুট পার্থক্যের জন্য প্রশিক্ষণের সময় মডেলটিকে শাস্তি দেয়৷
ইনপুট পদ্ধতি	লস ফাংশনগুলি আউটপুটে কাজ করে তাই তত্ত্বগতভাবে, ইনপুট এবং মডেল আর্কিটেকচারের জন্য অজ্ঞেয়বাদী।	লস ফাংশনগুলি আউটপুটে কাজ করে তাই তত্ত্বগতভাবে, ইনপুট এবং মডেল আর্কিটেকচারের জন্য অজ্ঞেয়বাদী।