基于 Minimax 组公平性的战略分类
机器学习
2024-10-04 v1
摘要
在战略分类中，代理人会以一定成本操纵其特征，以获得分类器给出的正面分类结果。学习者在此类情境下的目标是学习一个对战略操纵具有鲁棒性的分类器。尽管该领域大多数研究工作将准确率作为学习者的首要目标，但本工作关注具有组公平性保证的学习目标。我们采用 Minimax 组公平观念，即最小化跨人口组的最大错误率。我们在代理人由多个组组成的群体中、每个组都有各自成本函数的情境下，构建了一个具有公平性的 Stackelberg 游戏，在 agnostic PAC 设置下进行建模，学习者正在使用假设类 H。当代理人的成本函数是可分离时，我们证明存在一种高效算法，能够在组数较小的情况下为学习者找到近似最优的确定性分类器。即使 H 为所有分类器的集合，该算法在统计和计算方面仍然高效。我们随后考虑不可分离的成本函数，证明存在 oracle 高效算法，能够在 H 拥有有限战略 VC 维数的情况下，为学习者找到近似最优的随机化分类器。这些算法假设学习者是完全透明的：学习者在代理人作出操纵响应之前，会从其分布中抽取分类器（随机化分类器）。我们强调了这种透明度在开发 oracle 高效算法方面的有效性。我们以实证分析的方式在真实数据上验证了所提出算法的有效性。
引用
@article{arxiv.2410.02513,
title = {Minimax Group Fairness in Strategic Classification},
author = {Emily Diana and Saeed Sharifi-Malvajerdi and Ali Vakilian},
journal= {arXiv preprint arXiv:2410.02513},
year = {2024}
}