摘要
公平性感知的模型压缩需要选择能够在准确率、公平性和部署成本之间取得平衡的方法与配置。当压缩方法被组合使用，或用户需求发生变化时，这些决策变得更加困难。在本文中，我们提出了 FairCompressAgent（FCA），这是一个智能体框架，通过统一的算子接口集成了公平性感知剪枝、增量量化和稀疏低秩分解。语言模型规划器利用模型画像和实测结果来选择压缩配置，而执行层则负责压缩、微调、评估和基于约束的选择。FCA 还支持需求更新，并在请求无法满足时报告剩余的违规量。在 Fitzpatrick-17k 数据集上使用 VGG-11 进行的实验中，我们比较了四种搜索方法在 40 种实测配置上的表现。在准确率约束请求下，FCA 选择了一个推理张量存储减少 59.54% 的压缩模型，同时验证集平均精度从 0.5141 提升至 0.5233，均等机会（EOpp）从 0.2251 降至 0.2168。在各自的停止策略下，FCA 以平均 7.33 次候选评估达到了与一次性规划相同的最终选择，而后者需要 12 次。重复微调、留出测试和在线需求更新刻画了该压缩工作流的稳定性和交互式使用特性。实验结果展示了实测反馈和显式约束如何支持公平性感知压缩配置的选择与交互式优化。