基于 Wasserstein 公平性度量的具有回归量分布控制的模型无关偏差缓解方法
机器学习
2021-11-23 v1 概率论
摘要
本文是我们先前关于公平性可解释性（Miroshnikov 等人，2021）引入偏差解释工作的姊妹篇。在当前工作中，我们提出一种基于构建后处理模型的偏差缓解方法，这些模型针对基于 Wasserstein 的公平性度量具有更公平的回归量分布。通过识别对偏差贡献最大的预测变量列表，我们缓解源自这些预测变量的偏差，从而降低问题维度。该后处理方法通过平衡正负偏差解释来重塑预测变量分布，并使回归量偏差得以减小。我们设计了一种利用贝叶斯优化在後处理模型族上构建偏差-性能高效前沿的算法，并从中选取最优模型。我们的新方法在低维空间中进行优化，避免了昂贵的模型重训练。
引用
@article{arxiv.2111.11259,
title = {Model-agnostic bias mitigation methods with regressor distribution control for Wasserstein-based fairness metrics},
author = {Alexey Miroshnikov and Konstandinos Kotsiopoulos and Ryan Franks and Arjun Ravi Kannan},
journal= {arXiv preprint arXiv:2111.11259},
year = {2021}
}
备注
29 pages, 32 figures