公平GLASSO：基于无偏统计行为的公平图形模型估计
机器学习
2024-06-17 v1 机器学习
信号处理
摘要
我们提出了一种用于估计具有敏感节点属性公平性的高斯图形模型（GGM）。许多真实世界模型因数据中的偏见而表现出不公平的歧视性行为。当数据包含编码图中节点间两两关系的偏见时，这种歧视已知会被加剧。此外，偏见数据对图形模型的影响在很大程度上未被探讨。因此，我们以两种偏差指标形式提出图形模型的公平性，以促进不同敏感属性节点组之间统计相似性的平衡。基于这些指标，我们提出了Fair GLASSO，这是一种正则化的图形拉斯波方法，用于获得跨组无偏统计依赖关系的稀疏高斯精确矩阵。我们还提出一种高效的proximal梯度算法来获得估计值。在理论方面，我们表达了公平与准确估计精确矩阵之间的权衡。关键的是，这包括在公平性正则化存在时是否可以保持准确性。此外，我们研究了Fair GLASSO的复杂度，证明该算法具有快速收敛速率。我们的实证验证包括合成和真实世界的仿真，说明我们提出的优化问题和迭代算法的价值和有效性。
关键词
引用
@article{arxiv.2406.09513,
title = {Fair GLASSO: Estimating Fair Graphical Models with Unbiased Statistical Behavior},
author = {Madeline Navarro and Samuel Rey and Andrei Buciulea and Antonio G. Marques and Santiago Segarra},
journal= {arXiv preprint arXiv:2406.09513},
year = {2024}
}