公平回归的差分隐私后处理

本文描述了一种针对学习满足统计公平性的公平回归器的差分隐私后处理算法，既解决基于敏感数据训练的机器学习模型的隐私 concerns，又解决其可能传递历史偏见的公平性 concerns。我们的算法可用于后处理任意给定的回归器，以提高公平性，通过重新映射其输出。该算法包含三个步骤：首先，通过直方图密度估计和拉普拉斯机制对输出分布进行私密估计，然后计算其 Wasserstein 重心，并使用最优输运至重心进行后处理以满足公平性。我们分析了该算法的样本复杂度，提供了公平性保证，揭示了在直方图 bin 数量选择中，统计偏差与方差之间的权衡，其中使用较少的 bin 总是以牺牲误差为代价来优先考虑公平性。