基于Wasserstein重心的公平回归
机器学习
2020-06-24 v2 机器学习
统计理论
统计理论
摘要
我们研究学习一个满足人口统计均等约束的实值函数的问题。它要求预测输出的分布独立于敏感属性。我们考虑敏感属性可用于预测的情况。我们在公平回归和最优传输理论之间建立了联系，基于此我们推导出最优公平预测器的闭式表达式。具体来说，我们证明了这个最优值的分布是标准回归函数在敏感组上诱导的分布的Wasserstein重心。这个结果为最优公平预测提供了直观的解释，并提出了一个简单的后处理算法来实现公平。我们为这个程序建立了风险和无分布公平保证。数值实验表明，我们的方法在学习公平模型方面非常有效，其错误率的相对增加小于公平性的相对增益。
引用
@article{arxiv.2006.07286,
title = {Fair Regression with Wasserstein Barycenters},
author = {Evgenii Chzhen and Christophe Denis and Mohamed Hebiri and Luca Oneto and Massimiliano Pontil},
journal= {arXiv preprint arXiv:2006.07286},
year = {2020}
}