交叉公平性的贝叶斯建模：偏差的方差
机器学习
2019-09-11 v2 人工智能
计算机与社会
机器学习
摘要
交叉性是一个分析权力与压迫的交织系统如何沿种族、性别、性取向、阶级和残疾等重叠维度影响个体的框架。因此，交叉性理论意味着在人工智能系统中针对多维受保护属性的公平性保护十分重要。然而，由于数据稀疏性（随维度数量及每维取值迅速增加），公平性的度量在多维度设定下在统计上变得具有挑战性。我们提出了一种贝叶斯概率建模方法，用于可靠且数据高效地估计具有多维受保护属性的公平性，并将其应用于两个现有的交叉公平性度量。在人口普查数据和 COMPAS 刑事司法累犯数据集上的实验结果证明了我们方法的实用性，并表明贝叶斯方法对于交叉背景下的公平性建模与度量具有重要价值。
引用
@article{arxiv.1811.07255,
title = {Bayesian Modeling of Intersectional Fairness: The Variance of Bias},
author = {James Foulds and Rashidul Islam and Kamrun Keya and Shimei Pan},
journal= {arXiv preprint arXiv:1811.07255},
year = {2019}
}