解决机器学习中的公平性、偏差与类不平衡问题：FBI 损失
机器学习
2021-05-14 v1
摘要
对类不平衡与混杂偏差的鲁棒性，以及对公平性保证的承诺，是具有现实影响的自主决策系统极为理想的特性。已有许多不同的针对性方案被提出以分别解决这三个问题，但似乎仍缺乏统一的视角。本工作中，我们提供了一种通用的形式化表述，表明它们是失衡的不同表现。遵循这一直觉，我们构建了统一的损失修正方法，以解决与公平性、偏差和不平衡（FBI 损失）相关的问题。所提方法的修正能力在三个真实世界基准上进行了评估，每个基准对应所考虑问题之一，并在一组合成数据族上评估，以更好地考察我们的损失在不同复杂度任务上的有效性。实证结果表明，FBI 损失的灵活形式化相较于专门针对单一问题的文献方案也取得了具有竞争力的性能。
引用
@article{arxiv.2105.06345,
title = {Addressing Fairness, Bias and Class Imbalance in Machine Learning: the FBI-loss},
author = {Elisa Ferrari and Davide Bacciu},
journal= {arXiv preprint arXiv:2105.06345},
year = {2021}
}