学习非歧视性预测器
机器学习
2017-11-03 v3
摘要
我们考虑根据 Hardt 等人 [2016] 提出的“机会均等”概念，学习一个针对“受保护属性”的非歧视性预测器。我们从统计学和计算两个角度研究了从有限训练集中学习此类非歧视性预测器的问题。我们表明，Hardt 等人提出的事后校正方法可能高度次优，并提出了一种近乎最优的统计方法；我们论证了相关的计算问题是棘手的，并建议对非歧视性定义采用二阶矩松弛，在此松弛下学习是可处理的。
引用
@article{arxiv.1702.06081,
title = {Learning Non-Discriminatory Predictors},
author = {Blake Woodworth and Suriya Gunasekar and Mesrob I. Ohannessian and Nathan Srebro},
journal= {arXiv preprint arXiv:1702.06081},
year = {2017}
}
备注
28 pages