DADI：基于对抗强化学习的公平信息动态发现
机器学习
2019-10-31 v1 计算机与社会
机器学习
摘要
我们引入一种动态对抗信息发现(DADI)框架，其动机源于信息（特征集）被具有未知目标的第三方使用的场景。我们训练一个强化学习智能体顺序获取信息的子集，同时平衡下游预测器的准确性与公平性。基于已获取的特征集，智能体动态决定是从可用特征集中收集更多信息，还是停止并使用当前可用信息进行预测。基于先前探索对抗表示学习的工作，我们通过以对抗者在最终特征集上计算的损失作为智能体奖励，从而实现群体公平性（人口均等等）。然而重要的是，该框架为公平或私有的动态信息发现提供了更通用的起点。最后，我们使用两个真实世界数据集实证表明，我们能够权衡公平性与预测性能。
引用
@article{arxiv.1910.13983,
title = {DADI: Dynamic Discovery of Fair Information with Adversarial Reinforcement Learning},
author = {Michiel A. Bakker and Duy Patrick Tu and Humberto Riverón Valdés and Krishna P. Gummadi and Kush R. Varshney and Adrian Weller and Alex Pentland},
journal= {arXiv preprint arXiv:1910.13983},
year = {2019}
}
备注
Accepted at NeurIPS 2019 HCML Workshop