面向多敏感特征数据的公平感知朴素贝叶斯分类器
机器学习
2022-02-24 v1 人工智能
摘要
公平感知机器学习旨在生成预测时最大化效用,同时避免基于种族、性别、宗教等敏感属性的不公平歧视。该领域的重要工作线是在分类器训练阶段强制公平。遵循此策略的一个简单而有效的二分类算法为双朴素贝叶斯(2NB),其强制统计奇偶——要求构成数据集的各组以相同似然获得正标签。本文将该算法推广为 N-朴素贝叶斯(NNB),以消除数据中仅含两个敏感组的简化假设,转而应用于任意数量的组。我们提出对原算法统计奇偶约束及强制标签与单一敏感属性统计独立的后处理例程的扩展。继而,研究其在具多敏感特征数据上的应用,并提出新约束与后处理例程以强制差分公平——一种聚焦于交叉性的既有群体公平约束的扩展。我们在美国人口普查数据集上实证展示 NNB 算法有效性,并将其准确率与去偏表现(以差异影响与 DF-ε 分数衡量)与类似群体公平算法比较。最后,我们列出使用者在将本算法纳入应用前应注意的重要事项,并指引其进一步阅读关于使用统计奇偶作为公平准则的利弊与伦理影响。
引用
@article{arxiv.2202.11499,
title = {Fairness-Aware Naive Bayes Classifier for Data with Multiple Sensitive Features},
author = {Stelios Boulitsakis-Logothetis},
journal= {arXiv preprint arXiv:2202.11499},
year = {2022}
}
备注
To be published in the Proceedings of the AAAI 2022 Spring Symposium on Achieving Wellbeing in AI, Stanford University, Palo Alto, California, USA, Mar. 21-23, 2022