面向机器学习中可配置公平性方案的广义差异影响
机器学习
2023-05-31 v1
摘要
我们在基于连续受保护属性的 AI 公平领域做出两项贡献。首先，我们指出 Hirschfeld-Gebelein-Renyi（HGR）指标（目前此类情形下唯一可用的指标）虽有价值，但在语义、可解释性与鲁棒性方面存在若干关键局限。其次，我们引入一族指标，其具有：1）在语义上补充 HGR；2）完全可解释且透明；3）在有限样本上鲁棒；4）可配置以适应特定应用。我们的方法还允许我们定义细粒度约束，以选择性地许可某些类型的依赖并禁止其他依赖。通过扩展连续受保护属性可用的选项，我们的方法代表了公平人工智能领域的重大贡献。
引用
@article{arxiv.2305.18504,
title = {Generalized Disparate Impact for Configurable Fairness Solutions in ML},
author = {Luca Giuliani and Eleonora Misino and Michele Lombardi},
journal= {arXiv preprint arXiv:2305.18504},
year = {2023}
}
备注
to be published in ICML23