MANI-Rank：面向共识排序的多属性与交叉群体公平性
计算机与社会
2022-07-21 v1 机器学习
摘要
将众多排序者的偏好合并为一个单一共识排序，对于从招聘、录取到借贷等各类重大应用至关重要。尽管群体公平性在分类问题中已被广泛研究，但排序中的群体公平性尤其是排序聚合仍处在起步阶段。近期工作引入了公平排序聚合的概念以合并排序，但仅限于候选者具有单一二元受保护属性的情形，即仅落入两个群体。然而，如何创建一个既代表所有排序者偏好、又确保具有性别、种族和国籍等多重受保护属性的候选者得到公平对待的共识排序，仍是一个开放问题。在本工作中，我们首次定义并求解这一开放的多属性公平共识排序（MFCR）问题。作为基础，我们设计了称为 MANI-RANK 的排序群体公平性新准则，确保由个体受保护属性及其交集所定义群体的公平对待。利用 MANI-RANK 准则，我们开发了一系列算法，首次攻克 MFCR 问题。我们在丰富多样的共识场景下进行的实验研究表明，我们的 MFCR 方法是唯一能同时实现交叉公平与受保护属性公平、并代表通过多个基础排序所表达偏好的途径。我们在奖学金 merit 上的真实案例研究说明了我们的 MFCR 方法在缓解多重受保护属性及其交集偏差上的有效性。本文为将发表于 ICDE 2022 的“MANI-Rank：面向共识排序的多属性与交叉群体公平性”的扩展版本。
引用
@article{arxiv.2207.10020,
title = {MANI-Rank: Multiple Attribute and Intersectional Group Fairness for Consensus Ranking},
author = {Kathleen Cachel and Elke Rundensteiner and Lane Harrison},
journal= {arXiv preprint arXiv:2207.10020},
year = {2022}
}
备注
This paper has been accepted by IEEE ICDE 2022. 15 pages, and 7 figures