M$^2$FGB：面向子群公平性的最小-最大梯度提升框架
机器学习
2025-04-18 v1
摘要
近年来, 公平性在机器学习中成为一个关键关注点, 以确保所开发和部署的预测模型不会对受边缘化群体的预测产生不利影响。必须消除基于性别、种族等受保护属性对个人的歧视。本文考察了将子群正义概念应用于面向监督学习问题的梯度提升机器的做法。我们将扩展的梯度提升方法用于探索更广泛的目标函数, 该目标函数结合了来自分类和回归的常规损失以及最小-最大公平性项。我们研究了最小-最大优化问题解的相关理论属性。优化过程在每个提升轮次中探索原始-对偶问题。该通用框架可以适用于多种公平性概念。我们在理论上证明了该最小-最大原始-对偶梯度提升算法在温和条件下收敛, 并在实证上表明其是一种强大且灵活的解决二元和子群公平性问题的方法。
引用
@article{arxiv.2504.12458,
title = {M$^2$FGB: A Min-Max Gradient Boosting Framework for Subgroup Fairness},
author = {Jansen S. B. Pereira and Giovani Valdrighi and Marcos Medeiros Raimundo},
journal= {arXiv preprint arXiv:2504.12458},
year = {2025}
}
备注
17 pages, 7 figures