判别与类不平衡感知的在线朴素贝叶斯
机器学习
2022-11-10 v1 计算机与社会
摘要
在当代机器学习领域中，海量数据流中的公平性感知挖掘是一个日益增长且具挑战性的问题。许多流学习算法被用于替代人类处于关键决策点，例如招聘员工、评估信用风险等。这要求在确保公平且高质量决策的同时，以最小响应延迟处理海量流入信息。近期判别感知学习方法基于总体准确率进行优化。然而，总体准确率偏向多数类；因此，现有最优方法主要通过部分或完全忽略少数类来削弱判别。在此背景下，我们提出一种朴素贝叶斯的新颖适配方法，以缓解流中嵌入的判别问题，同时保持对多数类与少数类的高预测性能。我们提出的算法简单、快速，并达成多目标优化目标。为处理类不平衡与概念漂移，提出一种动态实例加权模块，该模块基于实例属于少数类或多数类，赋予近期实例更高权重、陈旧实例更低权重。我们在一系列流式与静态数据集上开展实验，推断出所提方法在判别分数与平衡准确率两方面均优于现有最优公平性感知方法。
引用
@article{arxiv.2211.04812,
title = {Discrimination and Class Imbalance Aware Online Naive Bayes},
author = {Maryam Badar and Marco Fisichella and Vasileios Iosifidis and Wolfgang Nejdl},
journal= {arXiv preprint arXiv:2211.04812},
year = {2022}
}