在数据驱动决策中处理群体公平性的多重度量
机器学习
2020-03-11 v1 计算机与社会
机器学习
摘要
机器学习中的公平性、问责与透明(FAT-ML)文献提出了一系列多样的群体公平性度量,用以衡量针对由受保护特征(如性别或种族)刻画的社人口群体的歧视。这样一个系统可依据所选度量被判定为公平或不公平。已提出若干度量,其中一些彼此不相容。我们通过实证研究发现,对于相同的群体和机器学习方法,其中若干度量在两个或三个主要簇中聚集在一起。此外,我们提出了一种通过群体公平性度量的主成分分析(PCA)在二维中可视化多维公平性的稳健方法。在多个数据集上的实验结果表明,PCA 分解可用一到三个主成分解释度量间的方差。
引用
@article{arxiv.2003.04794,
title = {Addressing multiple metrics of group fairness in data-driven decision making},
author = {Marius Miron and Songül Tolan and Emilia Gómez and Carlos Castillo},
journal= {arXiv preprint arXiv:2003.04794},
year = {2020}
}