基于最优传输的边的预测公平性问题全解
机器学习
2020-11-02 v1 人工智能
机器学习
摘要
近年来，机器学习和数据挖掘算法越来越多地用于支持医疗、教育或安全等具有高度社会重要性领域的决策系统。尽管这些算法在预测能力上非常高效，但所部署的算法有时会因学习样本中存在歧视性偏差而倾向于学习到带有该偏差的归纳模型。这一问题催生了算法公平性的新领域，其目标是纠正由某一属性引入的歧视性偏差，使其与模型输出解相关。在本文中，我们研究图中边预测任务的公平性问题，相较于更受欢迎的公平分类设定，这是一个研究甚少的情形。为此，我们形式化公平边预测问题，从理论层面进行分析，并提出一种与嵌入无关的修复过程，用于对任意图的邻接矩阵进行修复，在群体公平与个体公平之间取得权衡。我们通过实验展示了方法的通用性及其对不同公平性概念与预测精度提供显式控制的能力。
引用
@article{arxiv.2010.16326,
title = {All of the Fairness for Edge Prediction with Optimal Transport},
author = {Charlotte Laclau and Ievgen Redko and Manvi Choudhary and Christine Largeron},
journal= {arXiv preprint arXiv:2010.16326},
year = {2020}
}