FaiREE：具有有限样本与分布无关保证的公平分类算法
机器学习
2025-03-13 v5 机器学习
摘要
算法公平性在机器学习研究中扮演着日益关键的角色。已有多种群体公平性概念与算法被提出。然而，现有公平分类方法的公平性保证主要依赖于特定的数据分布假设，通常需要大样本量，而在样本量适中时公平性可能被违反，这在实际中经常发生。本文提出 FaiREE，一种能够在有限样本且分布无关的理论保证下满足群体公平性约束的公平分类算法。FaiREE 可适配以满足多种群体公平性概念（如机会均等、均衡几率、人口统计均等等），并达到最优准确率。这些理论保证进一步得到合成数据与真实数据实验的支持。实验表明，FaiREE 相较于当前最优算法具有优越性能。
引用
@article{arxiv.2211.15072,
title = {FaiREE: Fair Classification with Finite-Sample and Distribution-Free Guarantee},
author = {Puheng Li and James Zou and Linjun Zhang},
journal= {arXiv preprint arXiv:2211.15072},
year = {2025}
}
备注
Accepted at ICLR 2023