数据处理对监督学习中公平性的影响

我们研究了用于降低数据驱动决策器中歧视现象的前处理与后处理方法的影响。我们首先分析了前处理方法中公平性与准确性之间的基本权衡，并基于凸优化程序提出了一种可添加于原始分类器之前的前处理模块设计。这给出了在给定结果任何可接受失真下可达到的歧视的基本下界。此外，我们根据我们的准确性与公平性度量重新表述了一种现有的后处理方法，从而得以比较后处理与前处理方法。我们表明在某些温和条件下，前处理优于后处理。最后，我们表明通过适当选择歧视度量，前处理与后处理方法的优化问题都将化简为线性规划，因而可高效求解。