群体公平性下的贝叶斯最优分类器
机器学习
2024-02-07 v5 机器学习
摘要
机器学习算法正越来越多地融入高风险的决策过程，例如社会福利问题。由于需要缓解算法预测可能带来的差异性影响，新兴的公平机器学习领域已提出许多方法。然而，刻画各种群体公平约束下贝叶斯最优分类器这一基本问题仅在部分特殊情形中被研究。基于用于最优假设检验的经典 Neyman-Pearson 论证（Neyman and Pearson, 1933; Shao, 2003），本文提供了推导群体公平性下贝叶斯最优分类器的统一框架。这使我们能提出一种基于群体的阈值方法，称为 FairBayes，它可直接控制差异性，并实现本质最优的公平性-准确性权衡。这些优势得到了充分实验的支持。
引用
@article{arxiv.2202.09724,
title = {Bayes-Optimal Classifiers under Group Fairness},
author = {Xianli Zeng and Edgar Dobriban and Guang Cheng},
journal= {arXiv preprint arXiv:2202.09724},
year = {2024}
}
备注
This technical report has been largely superseded by our later paper: "Bayes-Optimal Fair Classification with Linear Disparity Constraints via Pre-, In-, and Post-processing'' (arXiv:2402.02817). Please cite that one instead of this technical report