BaBE：通过潜解释变量估计提升公平性
机器学习
2024-05-07 v2 人工智能
计算机与社会
摘要
我们考虑两组间不公平歧视的问题，并提出一种预处理方法以实现公平。统计 parity 等修正方法通常导致较差的准确率，并且在敏感属性 S 与理应决定决策的合法属性 E（解释变量）存在相关性的情况下并不能真正达成公平。为克服这些缺陷，人们提出了其他公平性概念，特别是条件统计 parity 与机会均等。然而，E 在数据集中往往不可直接观测，即它是一个潜变量。我们可能观测到代表 E 的另一些变量 Z，但问题在于 Z 也可能受 S 影响，因此 Z 本身可能存在偏差。为解决该问题，我们提出 BaBE（贝叶斯偏差消除），一种基于贝叶斯推断与期望最大化方法相结合的方法，用于为每组估计给定 Z 时 E 的最可能取值。随后决策可直接基于估计的 E 作出。我们通过合成与真实数据集上的实验表明，我们的方法提供了良好的公平性与高准确率。
引用
@article{arxiv.2307.02891,
title = {BaBE: Enhancing Fairness via Estimation of Latent Explaining Variables},
author = {Ruta Binkyte and Daniele Gorla and Catuscia Palamidessi},
journal= {arXiv preprint arXiv:2307.02891},
year = {2024}
}