RAWLSNET：修改贝叶斯网络以编码罗尔斯式的公平机会平等
计算机与社会
2021-04-09 v1 人工智能
机器学习
摘要
我们提出 RAWLSNET，一个用于修改贝叶斯网络（BN）模型以满足罗尔斯式公平机会平等（FEO）原则的系统。RAWLSNET 的 BN 模型生成抱负性数据分布：即反映理想公平、满足 FEO 的社会所生成的数据。FEO 指出，具有相同才能和使用意愿的人应具有相同的获得有利社会职位（如就业）的机会，而不论其背景环境（如社会经济地位）如何。满足 FEO 需要对学校分配等社会结构进行修改。我们的论文描述了 RAWLSNET，这是一种将 FEO 应用的 BN 表示作为输入，并在可能时修改 BN 参数以满足 FEO、否则最小化偏离 FEO 的方法。我们还提供了应用 RAWLSNET 的指南，包括如何识别 FEO 的适当应用。我们使用公开可用数据集演示了系统的使用。RAWLSNET 修改后的 BN 提供了为 FEO 相关任务生成抱负性数据的新能力。抱负性数据没有真实世界数据的偏见，因此有助于识别和检测机器学习算法中除偏见数据之外的不公平来源。
引用
@article{arxiv.2104.03909,
title = {RAWLSNET: Altering Bayesian Networks to Encode Rawlsian Fair Equality of Opportunity},
author = {David Liu and Zohair Shafi and William Fleisher and Tina Eliassi-Rad and Scott Alfeld},
journal= {arXiv preprint arXiv:2104.03909},
year = {2021}
}
备注
12 pages