公平特征选择：多目标遗传算法的比较

机器学习分类器被广泛用于做出对人们生活有重大影响的决策（例如批准或拒绝贷款、招聘决策等）。在此类应用中，所学的分类器需要既准确又对不同人群公平，这些人群在性别、种族等变量上具有不同取值。本文关注分类的公平特征选择，即选择特征子集以最大化分类器预测准确性和公平性的方法。更具体地说，我们比较了两种近期提出的用于公平特征选择的遗传算法（GAs），它们基于两种不同的多目标优化方法：（a）基于帕累托支配的 GA；以及（b）基于词典序优化的 GA，其中最大化准确性比最大化公平性具有更高优先级。两种 GA 使用相同的准确性和公平性度量，从而实现了受控比较。据我们所知，这是帕累托方法与词典序方法在公平分类中的首次比较。结果表明，总体而言，词典序 GA 在准确性方面优于帕累托 GA，且所学分类器的公平性未退化。这是一个重要结果，因为目前几乎所有用于公平分类的 GA 都基于帕累托方法，因此这些结果指出了该领域一个有前景的新研究方向。