来自保险业的启示：面向公平的机器学习
机器学习
2024-01-24 v2 计算机与社会
摘要
我们认为，保险可作为机器学习系统社会情境性的类比，从而使机器学习学者能够从丰富且跨学科的保险文献中汲取见解。追溯保险中不确定性、公平性与责任的交互，为机器学习中的公平性提供了崭新视角。我们将保险公平性概念与其机器学习对应概念相联系，并借助这一桥梁对“公平性即校准”这一观点提出质疑。在此过程中，我们凸显了机器学习文献中很大程度上被忽视的两个主题：责任与聚合—个体张力。
引用
@article{arxiv.2306.14624,
title = {Insights From Insurance for Fair Machine Learning},
author = {Christian Fröhlich and Robert C. Williamson},
journal= {arXiv preprint arXiv:2306.14624},
year = {2024}
}