通过特征增强实现AUC公平性
机器学习
2022-08-25 v2 人工智能
计算机与社会
机器学习
摘要
我们研究在性能由接收者操作特征曲线下面积（AUC）衡量的分类背景下的公平性问题。AUC通常用于衡量预测模型的性能。同一个分类器对于不同的受保护群体可能具有显著不同的AUC，而在现实应用中，通常希望减少这种跨群体差异。我们解决了如何获取额外特征以最大程度地改善弱势群体AUC的问题。我们开发了一种名为fairAUC的新方法，该方法基于特征增强（添加特征）来减轻可识别群体之间的偏差。该方法仅需少量汇总统计量即可提供AUC改进的可证明保证，并允许管理者灵活决定其在公平性-准确性权衡中的位置。我们在合成数据集和真实世界数据集上评估了fairAUC，发现相对于最大化整体AUC和最小化群体间偏差的基准方法，它显著提高了弱势群体的AUC。
引用
@article{arxiv.2111.12823,
title = {Fairness for AUC via Feature Augmentation},
author = {Hortense Fong and Vineet Kumar and Anay Mehrotra and Nisheeth K. Vishnoi},
journal= {arXiv preprint arXiv:2111.12823},
year = {2022}
}
备注
This is the full version of a non-archival paper accepted for presentation at ACM FAccT 2022