一种用于公平分类的分布鲁棒方法
机器学习
2020-07-21 v1 机器学习
摘要
我们提出了一种带不公平性惩罚的分布鲁棒逻辑回归模型，可防止针对性别或种族等敏感属性的歧视。若使用以训练数据经验分布为中心的 Wasserstein 球来建模分布不确定性，并采用一种新的凸不公平性度量来激励机会均等，则该模型等价于一个易处理的凸优化问题。我们证明，所得分类器在合成与真实数据集上均以微小的预测精度损失改善了公平性。我们还利用 Wasserstein 球上的最优不确定性量化技术，推导了任意预训练分类器不公平性水平的基于线性规划的置信界。
引用
@article{arxiv.2007.09530,
title = {A Distributionally Robust Approach to Fair Classification},
author = {Bahar Taskesen and Viet Anh Nguyen and Daniel Kuhn and Jose Blanchet},
journal= {arXiv preprint arXiv:2007.09530},
year = {2020}
}