在集成配置空间中导航以实现算法公平
机器学习
2022-10-12 v1 计算机与社会
摘要
偏差缓解器可改善机器学习模型的算法公平性，但其对公平性的影响常随数据划分而不稳定。训练更稳健模型的流行方法是集成学习，但遗憾的是，如何最优地将集成与缓解器结合以权衡公平性与预测性能尚不明晰。为此，我们构建了一个开源库，支持8种缓解器、4种集成及其对应超参数的模块化组合，并在13个数据集上对该配置空间进行了实证探索。我们将探索所得见解提炼为面向从业者的指导图，并证明其具备鲁棒性与可复现性。
引用
@article{arxiv.2210.05594,
title = {Navigating Ensemble Configurations for Algorithmic Fairness},
author = {Michael Feffer and Martin Hirzel and Samuel C. Hoffman and Kiran Kate and Parikshit Ram and Avraham Shinnar},
journal= {arXiv preprint arXiv:2210.05594},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2202.00751