通过Wasserstein重心实现多任务学习中的公平性
机器学习
2024-01-17 v2 计算机与社会
机器学习
摘要
算法公平性（Algorithmic Fairness）是机器学习中旨在减少数据偏见的成熟领域。近期进展提出了各种方法以在单变量环境中确保公平性，其目标是去偏置单一任务。然而，将公平性扩展到多任务设置（即使用共享表示优化多个目标）仍未被充分探索。为弥补这一差距，我们开发了一种方法，利用多边际Wasserstein重心将强人口均等等价（Strong Demographic Parity）的定义扩展到多任务学习。我们的方法为最优公平多任务预测器（包括回归与二分类任务）提供了闭式解。我们为该解开发了数据驱动的估计过程，并在合成与真实数据集上进行了数值实验。实证结果凸显了我们的后处理方法在促进公平决策中的实用价值。
引用
@article{arxiv.2306.10155,
title = {Fairness in Multi-Task Learning via Wasserstein Barycenters},
author = {François Hu and Philipp Ratz and Arthur Charpentier},
journal= {arXiv preprint arXiv:2306.10155},
year = {2024}
}