通过后置处理实现公平且最优的分类

为缓解机器学习模型所表现出的偏差，可将公平性准则整合进训练过程以确保对所有人口统计群体的公平对待，但这常以模型性能为代价。因此，理解此类权衡是公平算法设计的基础。为此，本文在最为通用的多群体、多类别和含噪设定下，对分类问题上人口统计均等的固有权衡给出了完整刻画。具体而言，我们证明了随机化且属性感知的公平分类器所能达到的最小错误率由一类Wasserstein重心问题的最优值给出。在实践方面，我们的发现导出了一种简单的后置处理算法，该算法从打分函数导出公平分类器，并在打分为贝叶斯最优时给出最优公平分类器。我们给出了算法的次优性分析与样本复杂度，并在基准数据集上展示了其有效性。