基于核方法的公平性遗忘数据
机器学习
2020-11-23 v2 机器学习
统计理论
统计理论
摘要
我们研究算法公平性问题，其中敏感特征与非敏感特征均可用，且目标是生成新的“遗忘”特征，使其紧密近似非敏感特征，并仅与敏感特征有极小依赖。我们在核方法的背景下研究该问题。我们分析了最大均值差异准则的一个松弛版本，它不保证完全独立但使优化问题可解。我们推导了该松弛优化问题的闭式解，并辅以对新生成特征与敏感特征之间依赖关系的研究。我们生成此类遗忘特征的关键要素是 Hilbert 空间值条件期望，需从数据中估计。我们提出一种插件法，并展示了如何控制估计误差。尽管我们的技术有助于减少偏差，我们仍想指出，任何数据集的后期处理都不可能替代精心设计的实验。
引用
@article{arxiv.2002.02901,
title = {Oblivious Data for Fairness with Kernels},
author = {Steffen Grünewälder and Azadeh Khaleghi},
journal= {arXiv preprint arXiv:2002.02901},
year = {2020}
}