专家一致性下的选择性标签学习
机器学习
2018-07-06 v2 机器学习
摘要
我们在算法辅助决策的背景下探讨选择性标签下的学习问题。选择性标签是一种普遍存在的选择偏差问题，当历史决策使我们无法获知某些实例的真实结果时便会产生。此类例子在许多应用中很常见，从利用审前释放数据预测再犯到诊断患者均有体现。本文讨论为何即便不存在不可观测变量，选择性标签也常无法被标准的样本选择偏差校正方法有效解决。我们提出一种数据增强方法，可用于借助专家一致性来缓解选择性标签所导致的部分盲视，或用于经验性验证在此类框架下学习是否会产生易于系统性歧视的不可靠模型。
引用
@article{arxiv.1807.00905,
title = {Learning under selective labels in the presence of expert consistency},
author = {Maria De-Arteaga and Artur Dubrawski and Alexandra Chouldechova},
journal= {arXiv preprint arXiv:1807.00905},
year = {2018}
}
备注
Presented at the 2018 Workshop on Fairness, Accountability, and Transparency in Machine Learning (FAT/ML 2018)