用简单岭惩罚实现公平性
机器学习
2025-11-18 v4 统计方法学
摘要
本文提出一个通用框架，用于在用户定义的公平水平下估计回归模型。我们将公平性作为模型选择步骤来实施，通过选择岭惩罚（ridge penalty）的值来控制敏感属性的影响。然后，在给定所选惩罚值的条件下估计模型参数。我们的提议在数学上简单，其解部分具有闭式形式，并且所产生的回归系数估计作为公平水平的函数易于直观解释。此外，它可轻松推广至广义线性模型、核化回归模型及其他惩罚；并且能容纳多种公平性定义。我们将我们的方法与 Komiyama 等人（2018）实现的具可证明最优的线性回归模型，以及 Zafar 等人（2019）的公平模型进行比较。我们在六个不同数据集上对这些方法进行实证评估，发现我们的提议在相同公平水平下提供了更好的拟合优度与预测精度。此外，我们指出了 Komiyama 等人（2018）原始实验评估中的一处偏差来源。
引用
@article{arxiv.2105.13817,
title = {Achieving Fairness with a Simple Ridge Penalty},
author = {Marco Scutari and Francesca Panero and Manuel Proissl},
journal= {arXiv preprint arXiv:2105.13817},
year = {2025}
}
备注
16 pages, 9 figures