研究人工标注差异如何影响模型公平性，发现特定设置下可提升公平性。

On the Interplay between Human Label Variation and Model Fairness

• 对比多数投票与多种人工标注差异方法进行训练。
• 在未显式去偏情况下，部分标注差异配置提升模型公平性。
• 适合关注标注质量与模型公平性关系的研究者。

人工标注差异（HLV）对模型公平性的影响尚无研究。本文通过比较基于多数投票标签与多种HLV方法的训练，发现当未采用显式去偏策略时，在特定配置下，使用人工标注差异的方法能提升模型公平性。

原文摘要 · Abstract (English)

The impact of human label variation (HLV) on model fairness is an unexplored topic. This paper examines the interplay by comparing training on majority-vote labels with a range of HLV methods. Our experiments show that without explicit debiasing, HLV training methods have a positive impact on fairness under certain configurations.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。