连续公平 SMOTE —— 面向不平衡数据的公平流学习
机器学习
2025-05-20 v1 人工智能
摘要
随着机器学习日益应用于在线方式以处理演化数据流，算法的公平性正成为日益增长的伦理和法律关注议题。在许多用例中，数据中的类别不平衡也需要被处理以确保预测性能。当前的公平感知流学习器通常通过聚焦于优化特定歧视指标、在单独的处理步骤中处理类别不平衡来解决这些问题。虽然C-SMOTE是一种高度有效的模型无关预处理方法，用于缓解类别不平衡，但作为副作用，这种方法常会引入算法偏见。因此，我们提出CFSMOTE——一种公平感知、连续SMOTE变体——作为预处理方法，同时通过情境测试和在过采样期间平衡公平相关组来解决类别不平衡和公平性 concerns。与其他公平感知流学习器不同，CFSMOTE不优化仅一个特定公平指标，从而避免潜在的有害权衡。我们的实验表明，与vanilla C-SMOTE相比，在Several common group fairness metrics上实现了显著改进，同时保持与其他公平感知算法的竞争性能。
引用
@article{arxiv.2505.13116,
title = {Continuous Fair SMOTE -- Fairness-Aware Stream Learning from Imbalanced Data},
author = {Kathrin Lammers and Valerie Vaquet and Barbara Hammer},
journal= {arXiv preprint arXiv:2505.13116},
year = {2025}
}