极小极大帕累托公平性：一种多目标视角
机器学习
2020-11-04 v1 机器学习
摘要
本文中将群体公平性表述并形式刻画为一个多目标优化问题，其中每个敏感群体风险为一个独立目标。我们提出一种公平性准则：分类器实现极小极大风险且关于所有群体是帕累托有效的，避免不必要的损害，并可在政策要求时导出最佳零差距模型。我们提供一种兼容深度神经网络的简单优化算法以满足这些约束。由于我们的方法不需要测试时访问敏感属性，其可用于降低不平衡分类问题中结果间的最坏情况分类误差。我们在预测收入、ICU患者死亡率、皮肤病变分类与信用风险评估的真实案例上测试了所提方法，展示了我们的框架相较其他方法的优势。
引用
@article{arxiv.2011.01821,
title = {Minimax Pareto Fairness: A Multi Objective Perspective},
author = {Natalia Martinez and Martin Bertran and Guillermo Sapiro},
journal= {arXiv preprint arXiv:2011.01821},
year = {2020}
}