CryptoCredit：安全地训练公平模型
机器学习
2020-10-13 v1 人工智能
密码学与安全
机器学习
摘要
在为受监管的决策开发模型时，年龄、种族和性别等敏感特征不能被使用，且必须向模型开发者隐藏以防止偏差。然而，剩余特征仍需要针对与敏感特征的相关性进行测试，而这只能在对那些特征有所了解的情况下完成。我们使用全同态加密方案解决了这一困境，使模型开发者能够训练线性回归与逻辑回归模型，并测试其可能的偏差，而无需以明文形式泄露敏感特征。我们展示了如何将其应用于留一回归测试，并使用 adult income 数据集表明我们的方法具有实际可运行性。
引用
@article{arxiv.2010.04840,
title = {CryptoCredit: Securely Training Fair Models},
author = {Leo de Castro and Jiahao Chen and Antigoni Polychroniadou},
journal= {arXiv preprint arXiv:2010.04840},
year = {2020}
}
备注
8 pages