以成对公平表示实现个体公平的操作化
机器学习
2019-12-03 v2 机器学习
摘要
我们重访 Dwork 等人提出的个体公平概念。将其方法操作化的一个核心挑战在于难以获取人类对相似性度量的设定。在本文中，我们提出一种不依赖于人类对距离度量设定的个体公平操作化方法。相反，我们提出新颖的方法来获取并利用关于同等应得个体的侧面信息，以对抗社会群体间的从属关系。我们将此知识建模为公平图，并学习数据的统一成对公平表示（PFR），该表示同时捕捉个体间数据驱动的相似性与公平图中的成对侧面信息。我们从多种来源获取公平判断，包括针对再犯预测（COMPAS）和暴力社区预测（Crime & Communities）两个真实世界数据集的人类判断。我们的实验表明，用于实现个体公平的 PFR 模型在实际中是可行的。
引用
@article{arxiv.1907.01439,
title = {Operationalizing Individual Fairness with Pairwise Fair Representations},
author = {Preethi Lahoti and Krishna P. Gummadi and Gerhard Weikum},
journal= {arXiv preprint arXiv:1907.01439},
year = {2019}
}
备注
To be published in the proceedings of the VLDB Endowment, Vol. 13, Issue. 4