通过单调公平性避免怨恨
机器学习
2019-09-15 v1 人工智能
机器学习
摘要
通过显式使用种族或性别等受保护属性来实现人口统计平衡的 classifier，常因其缺乏个体公平性（即资质相似的个体会得到不同结果）而在政治或文化上引发争议。个体与群体公平的决策准则会产生反直觉结果，例如最优约束边界可能因相似候选人的人口统计不平衡而拒绝直觉上更优的候选人。两种方法都可视为引入了个体怨恨，即某些个体若属于不同人口统计类别且资质相同，或留在同类别但客观资质更差（如更低考试分数），本可获得更好结果。我们表明，两种形式的怨恨都可通过使用单调约束机器学习模型来创建个体公平、人口统计平衡的分类器而避免。
引用
@article{arxiv.1909.01251,
title = {Avoiding Resentment Via Monotonic Fairness},
author = {Guy W. Cole and Sinead A. Williamson},
journal= {arXiv preprint arXiv:1909.01251},
year = {2019}
}