通过选择性人口专家实现无伤害公平性

随着机器学习系统日益融入人本领域如医疗，确保公平性同时维持高预测性能至关重要。现有偏差缓解技术常在公平性与准确性之间建立权衡，潜在损害某些人口组的性能。在临床诊断等高风险领域，这种权衡在伦理和实际操作层面都是不可接受的。本研究提出一种无伤害公平方法，通过学习不同人口组的独立表征，并通过无伤害约束选择机制有选择地应用由组特定表征和个性化分类器构成的人口专家。我们在覆盖眼科疾病、皮肤癌和 X 射线诊断的三个真实医疗数据集上，以及两个人脸数据集上进行评估。广泛的实证结果表明，我们的方法在实现无伤害公平方面具有有效性。