在线学习中的无度量个体公平性
机器学习
2022-04-26 v6 机器学习
摘要
我们研究了一个受个体公平性约束的在线学习问题，该约束要求相似个体被相似对待。与先前关于个体公平性的工作不同，我们不假设个体间的相似性度量是已知的，也不假设该度量采取某种参数形式。相反，我们利用一个审计者的存在，其能检测公平性违背而不阐明量化度量。在每一轮中，审计者检查学习者的决策并尝试识别一对被学习者不公平对待的个体。我们提供了一个通用归约框架，将我们模型中的在线分类归约为标准在线分类，这使我们能够利用现有在线学习算法实现次线性后悔与公平性违背次数。令人惊讶的是，在数据独立同分布于某分布的随机设定下，尽管仅能获取一种非常受限的公平性反馈形式，我们也能够建立 PAC 风格的公平性与准确性泛化保证（Rothblum 和 Yona [2018]）。我们的公平性泛化界在性质上与 Rothblum 和 Yona [2018] 的一致收敛界相匹配，同时也提供了有意义的准确性泛化保证。我们的结果解决了 Gillen 等人 [2018] 提出的一个开放问题，表明即使在不知晓底层相似性度量的强参数形式下，未知个体公平性约束下的在线学习也是可能的。
引用
@article{arxiv.2002.05474,
title = {Metric-Free Individual Fairness in Online Learning},
author = {Yahav Bechavod and Christopher Jung and Zhiwei Steven Wu},
journal= {arXiv preprint arXiv:2002.05474},
year = {2022}
}