交叉性：期望约束下的多组公平性
机器学习
2018-11-27 v1 人工智能
计算机与社会
机器学习
摘要
组公平性(group fairness)是机器学习研究者、开发者和监管者的重要关切。然而，模型必须被约束到何种严格程度才被视为公平仍在讨论中。本工作的重点是在核回归以及特别地决策树回归（应用于随机森林、提升树及其他集成模型）中约束子总体的期望结果。虽然先前已处理单个约束，本工作关注同时纳入多个约束的问题。所提方案不影响决策树的计算或内存复杂度阶数，且易于在模型训练后集成。
引用
@article{arxiv.1811.09960,
title = {Intersectionality: Multiple Group Fairness in Expectation Constraints},
author = {Jack Fitzsimons and Michael Osborne and Stephen Roberts},
journal= {arXiv preprint arXiv:1811.09960},
year = {2018}
}
备注
NeurIPS (previously NIPS) 2018, Workshop on Ethical, Social and Governance Issues in AI