在阴影中舞动：利用歧义提升分类器的公平性
机器学习
2024-06-28 v1 计算机与社会
摘要
本文提出了一种新方法，用于在敏感信息仅部分已知的场景中增强算法公平性。具体而言，我们提出利用身份对敏感属性不确定的实例来训练常规机器学习分类器。这种分类器的最终预测结果显示，优先考虑歧义（即非规范性）以提升现实分类任务中公平性保证的潜力正在显现。
引用
@article{arxiv.2406.19066,
title = {Dancing in the Shadows: Harnessing Ambiguity for Fairer Classifiers},
author = {Ainhize Barrainkua and Paula Gordaliza and Jose A. Lozano and Novi Quadrianto},
journal= {arXiv preprint arXiv:2406.19066},
year = {2024}
}