最小变更的后处理公平性
机器学习
2024-08-30 v2 人工智能
摘要
本文引入一种新型后处理算法，既无模型依赖性，又无需在测试时使用敏感属性。此外，我们的算法明确设计为在偏好和去偏后的预测之间强制最小变更；这一属性虽高度理想，却在公平性文献中鲜少被明确目标化。我们的方法利用应用于黑盒分类器输出的概率得分的对数值上的乘性因子。通过实证评估，我们将方法的效果与其他四种去偏算法进行比较，评估基于两个在公平性研究中广泛使用的公平数据集。
引用
@article{arxiv.2408.15096,
title = {Post-processing fairness with minimal changes},
author = {Federico Di Gennaro and Thibault Laugel and Vincent Grari and Xavier Renard and Marcin Detyniecki},
journal= {arXiv preprint arXiv:2408.15096},
year = {2024}
}