一种基于赌博机的公平性感知超参数优化算法
机器学习
2020-10-23 v2 人工智能
摘要
大量研究工作致力于算法公平性，但仍无重大突破。在实践中，需要穷举搜索所有可能的技术和超参数，以寻找最优的公平性与准确率权衡。因此，加之缺乏面向机器学习从业者的工具，偏差削减方法的实际采用仍然稀少。为此，我们提出 Fairband，一种基于赌博机（bandit）的公平性感知超参数优化（HO）算法。Fairband 概念简单、资源高效、易于实现，并且对目标度量、模型类型以及所探索的超参数空间均无关。此外，通过将公平性概念引入 HO，我们实现了公平性目标到实际机器学习流程的无缝高效集成。我们在四个真实世界决策数据集上将 Fairband 与流行的 HO 方法进行比较。我们表明 Fairband 能够通过超参数优化高效地驾驭公平性与准确率权衡。此外，在无额外训练成本的情况下，它始终能找到在预测准确率仅小幅下降的同时显著改善公平性的配置。
引用
@article{arxiv.2010.03665,
title = {A Bandit-Based Algorithm for Fairness-Aware Hyperparameter Optimization},
author = {André F. Cruz and Pedro Saleiro and Catarina Belém and Carlos Soares and Pedro Bizarro},
journal= {arXiv preprint arXiv:2010.03665},
year = {2020}
}