高效公平主成分分析
机器学习
2020-03-10 v2 数据结构与算法
最优化与控制
机器学习
摘要
已表明诸如 PCA 等降维方法可能固有地易于产生不公平，并不公平地对待来自不同敏感组（如种族、肤色、性别等）的数据。为追求增强公平性的降维，利用 Pareto 最优性概念，我们提出一种自适应一阶算法来学习在略微牺牲重构损失的同时保持公平性的子空间。理论上，我们给出充分条件使得所提算法的解属于所有敏感组的 Pareto 边界；从而保证了总体重构损失与公平性约束之间的最优权衡。我们还提供了算法的收敛性分析，并通过在不同数据集上的实证研究展示其效力，与最先进算法相比表现出优越性能。所提出的公平性感知 PCA 算法可有效推广到多组敏感特征，并能在分类等下游任务中有效减少不公平决策。
引用
@article{arxiv.1911.04931,
title = {Efficient Fair Principal Component Analysis},
author = {Mohammad Mahdi Kamani and Farzin Haddadpour and Rana Forsati and Mehrdad Mahdavi},
journal= {arXiv preprint arXiv:1911.04931},
year = {2020}
}