学习公平性感知的关系结构

开发能有效避免偏见与歧视的公平机器学习模型，是近年来备受关注的重要问题。为作出胜任的预测，必须编码特征与变量间复杂的关系依赖，这要求发展兼具表达力且公平的关模型。本文提出Fair-A3SL，一种用于学习关系结构的公平性感知结构学习算法，在学关系图模型结构的同时纳入公平性度量。该方法通用性强，能够编码广泛的公平性指标，如统计 parity 差异、高估、均等化 odds 与均等机会，以及近期提出的关系公平性度量。现有方法在预定模型结构预测后施加公平性度量，而Fair-A3SL在优化公平性度量的同时直接学习结构，从而能够消除模型中的任何结构性偏见。我们在代表三种不同建模场景的数据集上，从定量与定性两方面将所学模型结构与最先进公平性模型比较：i）关系数据集，ii）研究歧视中广泛使用的累犯预测数据集，iii）推荐系统数据集。结果表明，Fair-A3SL能学到公平、可解释且具表达力的结构，并作出准确预测。