基于因果效应估计器的凸公平性约束模型
机器学习
2020-02-18 v1 人工智能
机器学习
摘要
近年来，关于机器学习中公平性的研究很多。其中，均值差（MD）或人口均等都是最流行的公平性度量之一。然而，MD 不仅量化了歧视，也量化了解释性偏差，即由解释性特征所合理化的结果差异。本文中，我们设计了称为 FairCEE 的新模型，其在保留解释性偏差的同时去除歧视。这些模型基于利用倾向得分分析的因果效应估计器。我们证明了采用平方损失的 FairCEE 在理论上优于朴素的 MD 约束模型。我们提供了一种高效算法，用于回归和二分类任务中求解 FairCEE。在这两个任务的合成与真实世界数据实验中，FairCEE 在特定情况下优于已有的考虑解释性偏差的模型。
引用
@article{arxiv.2002.06501,
title = {Convex Fairness Constrained Model Using Causal Effect Estimators},
author = {Hikaru Ogura and Akiko Takeda},
journal= {arXiv preprint arXiv:2002.06501},
year = {2020}
}
备注
10 pages, 5 figures, Accepted for the 2nd Workshop on Fairness, Accountability, Transparency, Ethics and Society on the Web (FATES on the Web 2020), held in conjunction with the WWW'20