编码受保护类别属性的公平性影响

过去的研究表明，在机器学习中显式使用受保护属性可以同时提升性能与公平性。然而，许多机器学习算法无法直接处理类别属性，例如出生国或族裔。由于受保护属性通常为类别属性，必须将其编码为可输入所选机器学习算法（如支持向量机、梯度提升决策树或线性模型）的特征。由此，编码方法影响了机器学习算法学习的方式与内容，进而影响模型性能与公平性。本文比较了两种最知名的编码方法——独热编码（one-hot encoding）与目标编码（target encoding）——在准确率与公平性上的影响。我们区分了这两种编码方法可能引发的、并可能导致不公平模型的两类诱导偏差。第一类为不可约偏差（irreducible bias），源于直接的群体类别歧视；第二类为可约偏差（reducible bias），源于统计上代表性不足群体的大方差。我们研究了类别编码与降低不公平性的目标编码正则化方法之间的相互作用。此外，我们考虑了当机器学习最佳实践通过将若干类别属性编码为高基数特征来提升性能度量时，可能产生的交叉不公平问题。