基于密度比估计的回归公平性度量灵敏性全面评估
机器学习
2025-08-21 v1
摘要
算法偏见在机器学习（Machine Learning, ML）驱动的方法中屡见不鲜，促使了关于衡量和缓解ML领域偏见的研究日益增长。为此，先前的研究探讨了如何在回归问题中衡量公平性，这一问题具有复杂性。特别是，最近的研究将其形式化为密度比估计问题，并依赖于基于Logistic回归的概率分类器方法进行求解。然而，存在其他多种密度比估计方法，据我们所知，既有工作并未研究此类公平性度量方法对底层密度比估计算法选择的灵敏性。为填补这一空白，本文开发了一套具有various密度比估计核心的公平性度量方法，并充分考察了不同的核心对实现的公平性水平具有何种影响。我们的实验结果表明，密度比估计核心的选择可能显著影响公平性度量方法的结果，即使会产生对各种算法相对公平性不一致的结果。这些观察表明，密度比估计基于回归的公平性度量存在诸多问题，以及需要进一步研究以提高其可靠性的需求。
引用
@article{arxiv.2508.14576,
title = {A Comprehensive Evaluation of the Sensitivity of Density-Ratio Estimation Based Fairness Measurement in Regression},
author = {Abdalwahab Almajed and Maryam Tabar and Peyman Najafirad},
journal= {arXiv preprint arXiv:2508.14576},
year = {2025}
}