基于协作式上下文老虎机的无度量个体公平性
机器学习
2020-11-16 v1
摘要
数据挖掘算法日益用于日常生活的各类自动化决策中。遗憾的是，多项研究指出这些算法会从数据和环境中引入偏差，导致不公平、不公正的解决方案。为缓解机器学习中的偏差，人们提出了不同的公平性形式化定义，可分为群体公平与个体公平。群体公平要求不同群体受到相似对待，但这可能对群体内某些个体不公平。另一方面，个体公平要求相似个体受到相似对待。然而，由于依赖特定问题的相似性度量，个体公平研究仍不充分。我们提出了一种无度量个体公平性以及一种协作式上下文老虎机（CCB）算法。CCB 算法将公平性作为奖励并试图最大化它。将公平性视为奖励的优势在于公平性准则无需可微。所提算法在多个真实世界基准数据集上进行了测试，结果表明其在缓解偏差以及同时实现个体与群体公平方面的有效性。
引用
@article{arxiv.2011.06738,
title = {Metric-Free Individual Fairness with Cooperative Contextual Bandits},
author = {Qian Hu and Huzefa Rangwala},
journal= {arXiv preprint arXiv:2011.06738},
year = {2020}
}