面向下游公平性的多校准回归
机器学习
2022-09-16 v1 数据结构与算法
摘要
我们展示了如何将一个经过适当“多校准（multicalibrated）”的回归函数 高效后处理为一个满足大量公平性约束的近似误差最小化分类器。该后处理不需要标记数据，仅需适量未标记数据与计算。计算与样本复杂度方面，求解 的需求与最优地解决单个公平学习任务的需求相当，但它实际上可被用于高效解决许多不同的下游公平性约束学习问题。我们的后处理方法轻松处理相交群体，将先前关于后处理回归函数以满足仅适用于不相交群体的公平性约束的工作进行了推广。我们的工作将近期关于多校准回归函数是“全预测器（omnipredictors）”（即可被后处理以最优解决无约束 ERM 问题）的研究扩展到了约束优化。
引用
@article{arxiv.2209.07312,
title = {Multicalibrated Regression for Downstream Fairness},
author = {Ira Globus-Harris and Varun Gupta and Christopher Jung and Michael Kearns and Jamie Morgenstern and Aaron Roth},
journal= {arXiv preprint arXiv:2209.07312},
year = {2022}
}