ABCFair：一种适用于比较公平性方法的可适应基准方法
机器学习
2024-10-23 v2 计算机与社会
摘要
已实现诸多方法旨在针对敏感特征实现公平性，通过减轻机器学习中的偏见。然而，每种方法所针对的情境设置存在显著差异，包括干预阶段、敏感特征的组成、公平性概念以及输出的分布。即便在二元分类中，这些细微差异也使得对公平性方法进行基准测试变得极其复杂，因为其性能强烈取决于偏见缓解问题原始构建的方式。因此，我们引入 ABCFair，一种一种允许适应实际问题情境需求的基准方法，使不同方法在任何用例中都能获得适当的可比性。我们将 ABCFair 应用于一系列 pre-、in-、post 处理方法，这些方法在大型传统数据集和带有双标签（偏好和不偏好）数据集上进行，以规避公平性-精度权衡。
引用
@article{arxiv.2409.16965,
title = {ABCFair: an Adaptable Benchmark approach for Comparing Fairness Methods},
author = {MaryBeth Defrance and Maarten Buyl and Tijl De Bie},
journal= {arXiv preprint arXiv:2409.16965},
year = {2024}
}
备注
Accepted at NeurIPS 2024 Datasets and Benchmarks Track