为少数群体改善双向不平衡数据集中的公平性
机器学习
2025-06-18 v1 计算机与社会
摘要
公平性已被认识为机器学习与人工智能决策解决方案的重要方面。然而，近期文献中提供的各种去偏方法在数据收集不平衡时往往难以奏效。本文聚焦一种特殊情况：双向不平衡数据集中的公平性，即标签和敏感属性中的群体均不平衡。首先，我们提供探索性分析，说明在双向不平衡数据集上进行去偏的局限性。随后，提出一种基于多准则的方法，用于寻找标签和敏感属性的最佳抽样与分布，以实现公平性与分类准确率的最佳平衡。
引用
@article{arxiv.2506.14306,
title = {Fair for a few: Improving Fairness in Doubly Imbalanced Datasets},
author = {Ata Yalcin and Asli Umay Ozturk and Yigit Sever and Viktoria Pauw and Stephan Hachinger and Ismail Hakki Toroslu and Pinar Karagoz},
journal= {arXiv preprint arXiv:2506.14306},
year = {2025}
}
备注
33 pages, 3 figures, submitted to AI Review