FNNC:通过神经网络实现公平性
机器学习
2020-05-08 v3 机器学习
摘要
在分类模型中,公平性可通过求解约束优化问题来保证。我们关注如差异影响(Disparate Impact)、人口均等(Demographic Parity)和均等几率(Equalized Odds)等不可分解且非凸的公平性约束。研究者定义这些约束的凸代理,然后应用凸优化框架以获得公平分类器。代理仅作为实际约束的上界,且将公平性约束凸化可能具有挑战性。我们提出一种基于神经网络的框架 \emph{FNNC},以在保持分类高准确率的同时实现公平性。上述公平性约束使用拉格朗日乘子纳入损失中。我们证明了约束损失泛化误差的界,其渐近趋于零。该网络使用两步小批量随机梯度下降进行优化。我们的实验表明,FNNC 表现与最先进水平相当,甚至更优。实验证据补充了我们的理论保证。总之,我们有了一种自动化的分类公平性解决方案,其易于扩展到许多公平性约束。
引用
@article{arxiv.1811.00247,
title = {FNNC: Achieving Fairness through Neural Networks},
author = {Padala Manisha and Sujit Gujar},
journal= {arXiv preprint arXiv:1811.00247},
year = {2020}
}