面向公平分类的改进对抗学习
机器学习
2019-01-30 v1 计算机与社会
机器学习
摘要
鉴于机器学习算法可能在分类模型中引入显著偏见的担忧，开发公平分类器已成为机器学习研究中的一个重要问题。对此的一个重要范式是提供用于对抗式学习公平分类器的算法（Zhang et al., 2018; Madras et al., 2018）。我们将对抗学习问题表述为一个多目标优化问题，并受 Zhang et al., 2018 方法的启发，使用带有改进梯度更新步的梯度下降-上升算法来寻找公平模型。我们提供了理论见解与保证，将先前支持采用此类方法的启发式论证形式化。我们在 Adult 数据集和合成数据集上对我们的方法进行了实证测试，并与 SOTA 算法（Celis et al., 2018; Zhang et al., 2018; Zafar et al., 2017）进行比较。结果表明，我们的模型和算法在准确性上与其它算法相当或更好，同时在公平性方面表现更优，公平性使用统计率或错误发现率进行度量。
引用
@article{arxiv.1901.10443,
title = {Improved Adversarial Learning for Fair Classification},
author = {L. Elisa Celis and Vijay Keswani},
journal= {arXiv preprint arXiv:1901.10443},
year = {2019}
}