FairAutoML：在AutoML中引入不公平性缓解
机器学习
2022-11-28 v2
摘要
在这项工作中，我们提出了一种自动化机器学习（AutoML）系统，用于搜索不仅具有良好预测精度而且公平的模型。我们首先调查了在AutoML背景下不公平性缓解的必要性和影响。我们建立了FairAutoML框架。该框架基于实用抽象提供了一种新颖设计，使得将现有公平性定义、不公平性缓解技术和超参数搜索方法方便地整合到模型搜索与评估过程中。遵循该框架，我们基于现有AutoML系统开发了一个公平的AutoML系统。该增强系统包含一种资源分配策略，根据预测精度、公平性和资源消耗动态决定何时以及对哪些模型进行不公平性缓解。大量实证评估表明，我们的系统能够实现良好的“公平精度”和高资源效率。
引用
@article{arxiv.2111.06495,
title = {FairAutoML: Embracing Unfairness Mitigation in AutoML},
author = {Qingyun Wu and Chi Wang},
journal= {arXiv preprint arXiv:2111.06495},
year = {2022}
}
备注
18 pages (including 6 pages of appendixes)