监督学习中的机会平等
机器学习
2016-10-11 v1
摘要
我们针对监督学习中针对特定敏感属性的歧视问题，提出了一种判别准则，其目标是根据可用特征预测某个目标。假设有关预测器、目标和受保护群体成员身份的数据可用，我们展示了如何最优地调整任何已学习的预测器，以根据我们的定义消除歧视。我们的框架还通过将分类不佳的成本从弱势群体转移到决策者，从而改善了激励机制，决策者可以通过提高分类准确度来应对。与其他研究一致，我们的概念是“遗忘式”的：它仅依赖于预测器、目标和受保护属性的联合统计，而不依赖于对个体特征的解释。我们研究了基于此类遗忘式度量来定义和识别偏差的内在限制，概述了从不同的遗忘式检验中可以推断出什么以及不能推断出什么。我们通过 FICO 信用评分的案例研究来阐释我们的概念。
引用
@article{arxiv.1610.02413,
title = {Equality of Opportunity in Supervised Learning},
author = {Moritz Hardt and Eric Price and Nathan Srebro},
journal= {arXiv preprint arXiv:1610.02413},
year = {2016}
}