面向多类型与多变量敏感属性的公平学习实用方法
机器学习
2022-11-14 v1 计算机与社会
机器学习
摘要
保证部署于现实世界的机器学习算法不导致不公平或意外社会后果十分重要。公平机器学习（Fair ML）主要关注更简单设定中单一属性的保护，其中属性与目标结果均为二值。然而，许多现实问题的实际应用需要同时保护多个敏感属性，这些属性往往非二值，而是连续或类别型。为应对这一更具挑战的任务，我们引入 FairCOCCO，一种构建于再生核希尔伯特空间上交叉协方差算子的公平性度量。这带来两个实用工具：其一，FairCOCCO 分数，一种可量化含任意类型单或多敏感属性设定下公平性的归一化指标；其二，后续正则化项，可融入任意学习目标以获得公平预测器。这些贡献填补了算法公平文献中的关键空白，并且我们在真实数据集上以经验证明其在平衡预测能力与公平性方面相对当前最优技术的一致改进。
引用
@article{arxiv.2211.06138,
title = {Practical Approaches for Fair Learning with Multitype and Multivariate Sensitive Attributes},
author = {Tennison Liu and Alex J. Chan and Boris van Breugel and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:2211.06138},
year = {2022}
}