将公平空投投影扩展至核方法，以处理连续属性
机器学习
2025-11-06 v1 人工智能
摘要
随着机器学习系统在数百万人的日常生活中广泛应用，公平性概念在其开发中日益成为优先考虑的议题。公平性概念通常依赖受保护属性来评估潜在偏见。当前文献大多关注目标和受保护属性的离散设置。关于连续属性，尤其是与回归问题结合的文献极少，我们将此称为\emph{连续公平性}。常见策略是迭代空投投影，目前仅针对线性模型或如非线性编码器获得的嵌入进行探索。我们通过对核方法进行一般化，显著扩展了其适用范围。这导致一种对核嵌入通用且不依赖于模型和公平性评分的方法，适用于连续受保护属性。我们展示了本 novel 方法结合支持向量回归(SVR)在多个数据集上提供具有竞争力或更好性能，与其他当代方法进行比较。
引用
@article{arxiv.2511.03304,
title = {Extending Fair Null-Space Projections for Continuous Attributes to Kernel Methods},
author = {Felix Störck and Fabian Hinder and Barbara Hammer},
journal= {arXiv preprint arXiv:2511.03304},
year = {2025}
}