机器学习中公平性所能达到的界限：决策树中公平性的边界评估
机器学习
2021-12-14 v1 机器学习
摘要
公平机器学习研究一直聚焦于开发解决特定群体歧视问题的公平算法。然而，许多此类公平感知方法旨在获得问题的唯一解，这导致对偏差缓解干预的统计极限理解不足。我们提出了第一种方法论，可在多目标框架内探索这些极限，该框架寻求优化任意准确性与公平性度量，并提供具有最佳可行解的帕累托前沿。本工作中，我们将研究集中于决策树分类器，因为它们在机器学习中被广泛接受、易于解释且能自然处理非数值信息。我们通过实验得出结论，我们的方法能以较小的分类误差代价使决策树模型更公平。我们相信我们的贡献将帮助社会技术系统的利益相关者评估他们在公平与准确之间能走多远，从而在使用机器学习的增强决策支持中发挥作用。
引用
@article{arxiv.2006.12399,
title = {How fair can we go in machine learning? Assessing the boundaries of fairness in decision trees},
author = {Ana Valdivia and Javier Sánchez-Monedero and Jorge Casillas},
journal= {arXiv preprint arXiv:2006.12399},
year = {2021}
}