FARF：一种公平且自适应的随机森林分类器
机器学习
2021-08-24 v2 人工智能
摘要
随着人工智能（AI）被用于更多应用，考虑并缓解所学模型中的偏差的需求也随之而来。大多数开发公平学习算法的工作聚焦于离线设定。然而，在许多真实应用中，数据以在线方式到来并需要即时处理。此外，在实际应用中，精度与公平性之间存在需要权衡的折衷，但当前方法常具有多个超参数且交互复杂才能实现公平。本文中，我们在更具挑战性的演化在线设定下，提出一种用于公平决策的灵活集成算法。该算法称为FARF（Fair and Adaptive Random Forests，公平且自适应的随机森林），基于在线分量分类器并根据当前分布进行更新，同时考虑公平性以及单一用于调节公平性—精度平衡的超参数。在真实世界带歧视性数据流上的实验证明了FARF的效用。
引用
@article{arxiv.2108.07403,
title = {FARF: A Fair and Adaptive Random Forests Classifier},
author = {Wenbin Zhang and Albert Bifet and Xiangliang Zhang and Jeremy C. Weiss and Wolfgang Nejdl},
journal= {arXiv preprint arXiv:2108.07403},
year = {2021}
}