iFlipper：面向个体公平性的标签翻转方法

随着机器学习的普及，减轻训练数据中存在的任何不公平性变得至关重要。在各种公平性概念中，本文关注著名的个体公平性，即相似个体应受到相似对待。虽然在训练模型时（处理中）可改善个体公平性，但我们认为在模型训练前修复数据（预处理）是更根本的解决方案。具体而言，我们表明标签翻转是一种有效的预处理技术，可改善个体公平性。我们的系统 iFlipper 在给定个体公平性违规次数限制下，求解最小标签翻转量的优化问题，其中当训练数据中两个相似样本具有不同标签时即发生一次违规。我们首先证明该问题是 NP-hard 的。随后我们提出一种近似线性规划算法，并从标签翻转数量的角度为其结果接近最优解提供理论保证。我们还提出了在不超出违规限制的情况下使线性规划解更优的技术。在真实数据集上的实验表明，iFlipper 在个体公平性和未见测试集准确率方面显著优于其他预处理基线。此外，iFlipper 可与处理中技术结合以获得更好的结果。