面向连续风险分数的标准化可解释公平性度量
机器学习
2024-08-30 v2 人工智能
机器学习
摘要
我们提出了一种基于Wasserstein距离、具有合理解释的连续分数公平性度量的标准化版本。我们的度量易于计算，非常适合于量化和解释群体差异的强度，以及比较不同模型、数据集或时间点之间的偏差。我们推导了现有分数公平性度量不同族之间的联系，并表明所提出的标准化公平性度量优于基于ROC的公平性度量，因为它们更明确且能够量化基于ROC的公平性度量所遗漏的显著偏差。
引用
@article{arxiv.2308.11375,
title = {Standardized Interpretable Fairness Measures for Continuous Risk Scores},
author = {Ann-Kristin Becker and Oana Dumitrasc and Klaus Broelemann},
journal= {arXiv preprint arXiv:2308.11375},
year = {2024}
}