分类器到公平性的最优传输

在以往关于机器学习中公平性的研究中，重点一直在于强制分类器对不同人口统计群体的预测具有相似的统计特性。为了减少对这些特性的违背，公平性方法通常只是简单地对分类器分数进行重缩放，忽略了不同群体成员之间的相似性与差异性。然而，我们假设此类信息在量化给定分类器的不公平性时是相关的。为验证该假设，我们提出了最优传输到公平性（Optimal Transport to Fairness, OTF）方法，该方法将公平性约束的违背程度量化为一个概率分类器与任何满足这些约束的分数函数之间的最小最优传输代价。针对一类灵活的线性公平性约束，我们构建了一种实用方法，将 OTF 计算为一个可微的公平性正则化项，可添加到任何标准分类设定中。实验表明，OTF 可用于在预测能力与公平性之间实现改进的权衡。