利用神经网络借助半监督学习实现公平性
机器学习
2020-01-01 v1 人工智能
机器学习
摘要
基于机器学习的决策系统的公平性问题日益受到关注。标注数据的短缺一直是机器学习系统面临的一个挑战性问题。在此类场景中，半监督学习已被证明是利用无标注数据提升模型性能的有效途径。值得注意的是，无标注数据不包含标签信息，而标签信息本身可能是训练机器学习系统中偏倚的重要来源。这启发我们通过将问题表述为半监督框架来应对公平性挑战。本文提出一种使用神经网络的半监督算法，利用无标注数据不仅提升性能，还改善决策过程的公平性。所提模型称为 SSFair，其利用无标注数据中的信息来缓解训练数据中的偏倚。
引用
@article{arxiv.1912.13230,
title = {Leveraging Semi-Supervised Learning for Fairness using Neural Networks},
author = {Vahid Noroozi and Sara Bahaadini and Samira Sheikhi and Nooshin Mojab and Philip S. Yu},
journal= {arXiv preprint arXiv:1912.13230},
year = {2020}
}
备注
6 pages, 5 figures, accepted to ICMLA 2019