基于高斯参数平滑的输入无关认证群体公平性
机器学习
2022-06-24 v1 计算机与社会
摘要
直至近来，研究者才尝试为分类算法提供可证明的群体公平性保证。此类算法大多受困于训练与部署数据须同分布这一要求所带来的干扰。本文提出一种输入无关认证群体公平性算法 FairSmooth，用于在保持卓越预测精度的同时改善分类模型的公平性。我们开发了一种高斯参数平滑方法，将基分类器转化为其平滑版本。为每个群体仅利用该群体相关数据学习一个最优的个体平滑分类器，并通过对所有个体平滑分类器的参数取平均生成面向所有群体的整体平滑分类器。借助非线性泛函分析理论，将这些平滑分类器重构为 Nemytskii 算子的输出函数。理论分析推导出该 Nemytskii 算子光滑且诱导出一个 Fréchet 可微的光滑流形。我们从理论上证明该光滑流形具有与输入数据域无关的整体 Lipschitz 常数，由此导出输入无关认证群体公平性。
引用
@article{arxiv.2206.11423,
title = {Input-agnostic Certified Group Fairness via Gaussian Parameter Smoothing},
author = {Jiayin Jin and Zeru Zhang and Yang Zhou and Lingfei Wu},
journal= {arXiv preprint arXiv:2206.11423},
year = {2022}
}