Fast & Fair：面向机器学习公平性的高效二阶鲁棒优化
机器学习
2024-01-05 v1 计算机与社会
数值分析
数值分析
摘要
本项目探索对抗训练技术，以开发更公平的深度神经网络（DNN），从而减轻其已知的固有偏见。DNN 容易继承关于种族和性别等敏感属性的偏见，这可能导致改变人生的后果（例如，用于逮捕嫌疑人的面部识别软件中存在的人口统计偏见）。我们提出了一种鲁棒优化问题，并证明利用仿射线性模型可以在多个合成及真实世界数据集中改善公平性。利用二阶信息，我们能够比纯一阶方法更高效地找到该优化问题的解。
引用
@article{arxiv.2401.02012,
title = {Fast & Fair: Efficient Second-Order Robust Optimization for Fairness in Machine Learning},
author = {Allen Minch and Hung Anh Vu and Anne Marie Warren},
journal= {arXiv preprint arXiv:2401.02012},
year = {2024}
}
备注
17 pages, 7 figures