基于Wasserstein重心处理不可分解性能度量的公平学习
机器学习
2022-09-02 v1 计算机与社会
机器学习
统计理论
统计理论
摘要
本工作给出了人口 parity 约束下最优分类函数的若干基础性刻画。在感知（awareness）框架下，类似于经典的无约束分类情形，我们证明在该公平约束下最大化准确率等价于求解相应的回归问题并在水平 处进行阈值化。我们将此结果推广到线性分式分类度量（例如 -score、AM度量、平衡准确率等），凸显了回归问题在此框架中的基础性作用。我们的结果利用了近期建立的人口 parity 约束与多边际最优传输公式之间的联系。非正式地，我们的结果表明，从无约束问题到公平问题的过渡是通过将标签的条件期望替换为公平回归问题的解来实现的。最后，基于我们的分析，我们证明了在两个敏感组情形下感知与无感知（unawareness）设置之间的等价性。
引用
@article{arxiv.2209.00427,
title = {Fair learning with Wasserstein barycenters for non-decomposable performance measures},
author = {Solenne Gaucher and Nicolas Schreuder and Evgenii Chzhen},
journal= {arXiv preprint arXiv:2209.00427},
year = {2022}
}