面向连续特征的公平性感知神经 Rényi 最小化
机器学习
2019-11-13 v1 人工智能
计算机与社会
机器学习
摘要
过去几年中，公平机器学习的学术与社会关注急剧上升。虽然近期已提出大量公平算法来解决离散变量的这一挑战，但对于连续变量仅有少数思路。本文的目标是确保回归模型输出与任意给定连续敏感变量之间的某种独立水平。为此，我们使用 Hirschfeld-Gebelein-Rényi (HGR) 最大相关系数作为公平性度量。我们提出两种最小化 HGR 系数的方法。首先，通过用 散度的神经网络估计来降低 HGR 的上界。其次，通过对抗神经网络架构直接最小化 HGR。其思路是在预测输出 Y 的同时，最小化对抗神经网络寻找估计变换（这些变换是预测 HGR 系数所必需的）的能力。我们通过实验评估并比较了我们的方法，并展示了相对于该领域已有工作的显著改进。
引用
@article{arxiv.1911.04929,
title = {Fairness-Aware Neural R\'eyni Minimization for Continuous Features},
author = {Vincent Grari and Boris Ruf and Sylvain Lamprier and Marcin Detyniecki},
journal= {arXiv preprint arXiv:1911.04929},
year = {2019}
}