基于最优传输的条件公平性审计与执行
机器学习
2024-10-21 v1 机器学习
摘要
条件人口公平(CDP)是指在对预测模型或决策过程进行额外特征或特征集的条件下，对人口公平性的度量。虽然存在许多针对人口公平的算法公平技术，但CDP在实现方面要困难得多，特别是当条件变量具有多个层级且/或模型输出为连续值时。文献中对审计和执行CDP的问题鲜有探讨。鉴于此，我们提出了新的条件人口不平等(CDD)度量方法，这些度量方法借用自最优传输文献中的统计距离。我们进一步设计并评估了基于这些CDD度量的正则化方法。我们的 метод，\fairbit{}和\fairlp{}，允许我们在条件变量具有多个层级时针对CDP进行建模。当模型输出为连续值时，我们的方法针对条件分布的完整平等性进行建模，与其他仅考虑第一时刻或相关代理量的方法不同。我们在真实数据集上验证了我们方法的有效性。
引用
@article{arxiv.2410.14029,
title = {Auditing and Enforcing Conditional Fairness via Optimal Transport},
author = {Mohsen Ghassemi and Alan Mishler and Niccolo Dalmasso and Luhao Zhang and Vamsi K. Potluru and Tucker Balch and Manuela Veloso},
journal= {arXiv preprint arXiv:2410.14029},
year = {2024}
}