AdaFair：累积公平性自适应提升

基于机器学习的决策在累犯、招聘和贷款信用等具有高社会影响领域的广泛使用，引发了许多关于潜在歧视的担忧。特别是，在某些情况下已观察到机器学习算法会根据性别或种族等敏感属性提供不同的决策，从而导致歧视。尽管已提出多种具有公平意识的机器学习方法，但其重点主要在于保持整体分类准确率，同时改善受保护和非受保护群体（根据敏感属性定义）预测的公平性。然而，在类别不平衡的情况下，整体准确率并非性能的良好指标，因为它偏向多数类。正如我们将在实验中看到的，许多与公平性相关的数据集都存在类别不平衡问题，因此解决公平性也需要解决不平衡问题。为此，我们提出了 AdaFair，一种基于 AdaBoost 的公平意识分类器，它在每轮提升中进一步更新实例的权重，同时考虑基于当前所有集成成员的累积公平性概念，并通过优化集成成员数量以实现平衡分类误差来显式处理类别不平衡。我们的实验表明，我们的方法可以在受保护和非受保护群体中实现真阳性率和真阴性率的均等，同时在平衡误差方面显著优于现有的公平意识方法，最高可达 25%。