代理公平性
机器学习
2018-07-02 v1 机器学习
摘要
我们考虑在缺乏带有受保护群体标签的数据集时改善公平性的问题，这使得难以利用那些在训练或推理时需要受保护群体标签才能提升公平性的策略。为此，我们研究改善代理群体（proxy groups）的公平性指标，并检验这样做是否能为真实的敏感群体带来公平性的提升。在基准和真实世界数据集上的结果表明，这种代理公平性策略在实践中可以良好运作。然而，我们提醒，其有效性可能依赖于公平性指标的选择，以及代理群体与真实受保护群体在受约束模型参数上的一致性程度。
引用
@article{arxiv.1806.11212,
title = {Proxy Fairness},
author = {Maya Gupta and Andrew Cotter and Mahdi Milani Fard and Serena Wang},
journal= {arXiv preprint arXiv:1806.11212},
year = {2018}
}