确保机器学习公平性的优化策略：有无人口统计属性均适用
机器学习
2024-11-15 v1
摘要
确保公平性已成为AI及其相关算法的主要关注点之一。随着时间的推移，机器学习公平性领域不断发展以应对这些问题。本文对该领域进行广泛综述，并引入两个形式化框架以解决机器学习公平性中的开放问题。在一个框架中，采用算子值优化和极大极小目标来解决时间序列问题中的不公平性。该方法在臭名昭著的COMPAS基准数据集上展示了最先进性能，证明了其在现实场景中的有效性。在第二个框架中，解决常用数据集中缺乏性别、种族等敏感属性的挑战。这一问题尤为迫切，因为该领域现有算法主要依赖此类属性的可用性或估计来评估和缓解不公平性。此处引入一种群体盲偏差修复框架，旨在不依赖敏感属性的情况下缓解偏差。该方法的有效性通过在成人人口普查收入数据集上的分析得到展示。此外，为两个框架提供详细的算法分析，并附带收敛保证，确保所提方法的稳健性和可靠性。
引用
@article{arxiv.2411.09056,
title = {Optimisation Strategies for Ensuring Fairness in Machine Learning: With and Without Demographics},
author = {Quan Zhou},
journal= {arXiv preprint arXiv:2411.09056},
year = {2024}
}
备注
PhD thesis. arXiv admin note: text overlap with arXiv:2310.11407