用于公平且高效机器学习的解耦分类器
机器学习
2017-07-21 v1 计算机与社会
摘要
当在机器学习系统中使用敏感属性（如性别或种族）是符合伦理和法律规定时，问题依然在于如何使用。我们表明，使用敏感特征的机器学习算法的朴素应用会导致不同群体之间在准确性上存在固有的权衡。我们提供了一种简单高效的解耦技术，可以添加到任何黑盒机器学习算法之上，从而为不同群体学习不同的分类器。迁移学习被用于缓解任何一个群体数据过少的问题。该方法可适用于一系列公平性标准。特别地，我们要求应用设计者指定一个联合损失函数，使得公平性与准确性之间的权衡显式化。我们证明，只要目标具有某种自然的单调性性质，我们的归约就能有效地找到最小损失，这一性质在算法公平性研究中可能具有独立的意义。
引用
@article{arxiv.1707.06613,
title = {Decoupled classifiers for fair and efficient machine learning},
author = {Cynthia Dwork and Nicole Immorlica and Adam Tauman Kalai and Max Leiserson},
journal= {arXiv preprint arXiv:1707.06613},
year = {2017}
}