面向概率模型的个体公平性与预测准确性之间的相关性

我们通过分析私有特征扰动对后验推断鲁棒性来探讨生成概率分类器中的个体公平性。基于鲁棒性分析的既定结果，我们假设鲁棒性与预测准确性之间存在相关性，具体而言，表现出更大鲁棒性的实例更可能被准确分类。我们使用包含14个具有公平性关切的数据集进行经验评估，采用贝叶斯网络作为底层生成模型。为解决贝叶斯网络在多个私有特征上的鲁棒性分析所涉及的计算复杂性，我们将问题重新表述为在辅助马尔可夫随机场中的最可能解释任务。我们的实验确认了关于相关性的假设，表明我们关于公平性与准确性传统权衡的新方向。