学习平滑且公平的表示
机器学习
2020-06-17 v1 机器学习
摘要
拥有数据的组织面临因其对受保护人口群体的歧视性使用而日益增加的法律责任，这延伸至涉及第三方访问和使用数据的合同交易。这是有问题的，因为原始数据所有者无法事前预见下游用户的所有未来用途。本文探讨上游通过将对特征与敏感属性的映射置入公平表示空间来先发制人地移除二者相关性的能力。我们的主要结果表明，当且仅当特征与表示之间的卡方互信息有限时，可由有限样本证明以表示分布的人口统计均等为度量的公平性。经验上，我们发现平滑表示分布提供了公平性证明的泛化保证，这改进了现有的公平表示学习方法。此外，与公平表示学习中的最先进方法相比，我们未观察到平滑表示分布会损害下游任务的准确性。
引用
@article{arxiv.2006.08788,
title = {Learning Smooth and Fair Representations},
author = {Xavier Gitiaux and Huzefa Rangwala},
journal= {arXiv preprint arXiv:2006.08788},
year = {2020}
}