FairCompressAgent：面向FPGA部署的公平性感知模型压缩

公平性感知模型压缩需要选择平衡准确率、公平性和部署成本的方法及配置，方法组合或用户要求变化使决策更难。我们提出智能体框架FairCompressAgent（FCA），通过公共算子接口整合公平性感知剪枝、增量量化与稀疏低秩分解。语言模型规划器利用模型画像和实测结果选择配置，执行层完成压缩、微调、评估与基于约束的选择。FCA支持要求更新，并在无法满足请求时报告剩余违规。我们在Fitzpatrick-17k和VGG-11上，对40个实测配置比较四种搜索方法。在准确率约束请求下，FCA选择的模型减少59.54%的推理张量存储，验证平均精度从0.5141升至0.5233，机会均等EOpp指标从0.2251降至0.2168。在各自停止策略下，它与一次性规划得到相同最终选择，但平均候选评估数为7.33对12。重复微调、留出测试和在线要求更新刻画了流程稳定性及交互使用。结果展示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改进。