基于执行式分布鲁棒优化的少数群体长期公平性
机器学习
2022-07-14 v1 人工智能
最优化与控制
机器学习
摘要
机器学习（ML）中的公平性研究者已围绕若干公平性准则达成共识，这些准则为 ML 模型何为公平提供了形式化定义。然而，这些准则存在一些严重局限。我们指出了这些形式化公平性准则的四个关键缺陷，并旨在通过扩展执行式预测（performative prediction）以纳入分布鲁棒目标，来帮助应对这些缺陷。
引用
@article{arxiv.2207.05777,
title = {Long Term Fairness for Minority Groups via Performative Distributionally Robust Optimization},
author = {Liam Peet-Pare and Nidhi Hegde and Alona Fyshe},
journal= {arXiv preprint arXiv:2207.05777},
year = {2022}
}
备注
From a submission to Responsible Decision Making in Dynamics Environments Workshop at ICML 2022