模块化偏差缓解器与集成的实证研究
机器学习
2022-02-03 v1 计算机与社会
摘要
已有若干偏差缓解器可减少机器学习模型中的算法偏差，但不幸的是，在不同数据划分下衡量时，缓解器对公平性的影响往往并不稳定。训练更稳定模型的流行方法是集成学习。装袋、提升、投票或堆叠等集成方法已成功使预测性能更加稳定。人们因此会问：我们能否结合偏差缓解器与集成的优势？为探究此问题，首先需使偏差缓解器与集成协同工作。我们构建了一个开源库，支持 10 种缓解器、4 种集成及其相应超参数的模块化组合。基于该库，我们在 13 个数据集上实证探索了组合空间，包括公平性文献常用数据集及由本库新整理的数据集。此外，我们将结果提炼为供从业者使用的指导图。希望本文能有助于提升偏差缓解的稳定性。
引用
@article{arxiv.2202.00751,
title = {An Empirical Study of Modular Bias Mitigators and Ensembles},
author = {Michael Feffer and Martin Hirzel and Samuel C. Hoffman and Kiran Kate and Parikshit Ram and Avraham Shinnar},
journal= {arXiv preprint arXiv:2202.00751},
year = {2022}
}