机器学习公平性数学框架综述
机器学习
2020-05-29 v1 机器学习
摘要
从数学角度对近年来文献中提出的主要公平性定义与公平学习方法进行综述。遵循我们基于独立性的方法，我们考虑如何构建公平算法，及其与可能不公平情形相比在性能退化上的后果。这对应于由“统计奇偶（statistical parity）”或“机会均等（equality of odds）”准则给出的公平代价。本文给出了在“机会均等（equality of odds）”意义下最优公平分类器与最优公平预测器（在线性回归高斯模型下）表达式的新结果。
引用
@article{arxiv.2005.13755,
title = {Review of Mathematical frameworks for Fairness in Machine Learning},
author = {Eustasio del Barrio and Paula Gordaliza and Jean-Michel Loubes},
journal= {arXiv preprint arXiv:2005.13755},
year = {2020}
}
备注
arXiv admin note: substantial text overlap with arXiv:2001.07864, arXiv:1911.04322, arXiv:1906.05082 by other authors