通过对抗网络实现机器学习公平性
机器学习
2019-09-09 v1 机器学习
摘要
公平性正成为机器学习模型性能方面日益受到关注的问题。特别是在刑事司法和贷款决策等敏感领域，消除对特定人群（以种族和性别等敏感特征为特征）的预测歧视，对于增强模型的可信度至关重要。在本文中，我们提出了一个新的通用框架来改善机器学习公平性。我们模型的目标是从数据输入和预测模型两个角度最小化敏感特征的影响。为实现这一目标，我们通过移除敏感信息来重构数据输入，并通过最小化敏感特征的边际贡献来增强模型公平性。我们提出通过特征间的采样来学习非敏感输入，并设计一个对抗网络以最小化重构输入与敏感信息之间的依赖关系。在三个基准数据集上的大量实验表明，我们的模型在公平性指标和预测性能方面均取得了优于相关最先进方法的结果。
引用
@article{arxiv.1909.03013,
title = {Approaching Machine Learning Fairness through Adversarial Network},
author = {Xiaoqian Wang and Heng Huang},
journal= {arXiv preprint arXiv:1909.03013},
year = {2019}
}