面向子群公平性的分布特定审计
机器学习
2024-03-04 v2 计算复杂性
计算机与社会
摘要
我们研究使用统计子群公平性概念审计分类器的问题。Kearns 等人（2018）已证明，审计组合子群公平性的难度与不可知学习相当。几乎所有旨在纠正针对子群的统计歧视度量的工作，都假设存在一个用于解决此问题的预言机，尽管目前尚无已知的高效算法。如果我们假设数据分布为高斯分布，甚至仅仅是 log-concave（对数凹）分布，那么近期的一系列工作发现了用于半空间的高效不可知学习算法。遗憾的是，Kearns 等人的归约是基于弱“distribution-free（与分布无关）”学习表述的，因此并未为 log-concave 分布等族建立联系。在本工作中，我们给出了关于高斯分布审计的正面与负面结果：在正面方面，我们提出了一种替代方法来利用不可知学习中的这些进展，从而获得了用于审计非平凡组合子群公平性的首个多项式时间近似方案（PTAS）：我们展示了当特征为高斯分布时，如何对齐次半空间子群上的统计公平性概念进行审计。在负面方面，我们发现在密码学假设下，对于一般的半空间子群，即使在高斯特征分布下，也不存在任何多项式时间算法能保证非平凡的审计。
引用
@article{arxiv.2401.16439,
title = {Distribution-Specific Auditing For Subgroup Fairness},
author = {Daniel Hsu and Jizhou Huang and Brendan Juba},
journal= {arXiv preprint arXiv:2401.16439},
year = {2024}
}