SLIDE：一种确保公平性一致性的代理公平性约束
机器学习
2025-05-26 v2 机器学习
摘要
由于 AI 算法对社会决策具有至关重要的影响，其不仅应当准确，还应当公平。在各种公平 AI 算法中，通过在给定公平性约束下最小化经验风险（例如交叉熵）来学习预测模型已受到广泛关注。然而，为避免计算困难，给定的公平性约束常被代理公平性约束所替代，正如分类问题中 0-1 损失被凸代理损失所替代一样。本文中，我们研究了现有代理公平性约束的有效性，并提出了一种称为 SLIDE 的新代理公平性约束，该约束在计算上可行且在渐近意义上有效，即所学模型渐近地满足公平性约束并达到快速收敛速率。数值实验证实，SLIDE 在多个基准数据集上表现良好。
引用
@article{arxiv.2202.03165,
title = {SLIDE: a surrogate fairness constraint to ensure fairness consistency},
author = {Kunwoong Kim and Ilsang Ohn and Sara Kim and Yongdai Kim},
journal= {arXiv preprint arXiv:2202.03165},
year = {2025}
}
备注
17 pages including appendix and references