预测与学习线性动力系统中的公平性
机器学习
2022-09-07 v2 动力系统
统计理论
机器学习
统计理论
摘要
在机器学习中，训练数据通常捕捉了某一人群中多个子群体的行为。当各子群体的训练数据量未受仔细控制时，就会产生代表性不足偏差。我们引入了子群体公平性和瞬时公平性这两个自然概念，以解决时间序列预测问题中的此类代表性不足偏差。特别地，我们考虑了从多条不同长度的轨迹中对线性动力系统（LDS）进行子群体公平和瞬时公平学习，以及相关的预测问题。我们利用非交换多项式优化问题的凸化层次结构，为这些学习问题提供了全局收敛的方法。我们在一个受保险应用启发的有偏数据集和著名的 COMPAS 数据集上的实证结果，既展示了公平性考量对统计性能的有益影响，也展示了利用稀疏性对运行时间的积极效果。
引用
@article{arxiv.2006.07315,
title = {Fairness in Forecasting and Learning Linear Dynamical Systems},
author = {Quan Zhou and Jakub Marecek and Robert N. Shorten},
journal= {arXiv preprint arXiv:2006.07315},
year = {2022}
}