一种通过代理损失重加权处理社会人口统计差异的灵活公平性框架

本文提出了一种新的算法公平性框架,称为 $\boldsymbol{\alpha}$-$\boldsymbol{\beta}$ 公平机器学习($\boldsymbol{\alpha}$-$\boldsymbol{\beta}$ FML),旨在跨社会人口统计属性优化公平性水平。我们的框架采用了一类新的代理损失函数,并结合损失重加权技术,通过可调超参数 $\boldsymbol{\alpha}$ 和 $\boldsymbol{\beta}$ 实现对公平性-准确性权衡的精确控制。为了高效求解学习目标,我们提出了带代理损失的并行随机梯度下降(P-SGD-S),并为凸和非凸损失函数均建立了收敛性保证。实验结果表明,我们的框架在降低公平性违规的同时提高了整体准确率,在标准经验风险最小化和严格的极小极大公平性之间提供了平滑的权衡。跨多个数据集的结果证实了其适应性,能够在不过度牺牲性能的前提下确保公平性的提升。