分类中公平性的代价
机器学习
2017-05-26 v1
摘要
我们研究了在公平性约束下学习分类器的问题，并围绕量化该问题内在权衡这一目标做出了三项主要贡献。首先，我们将两种现有的公平性度量与代价敏感风险联系起来。其次，我们证明，对于代价敏感分类和公平性度量，最优分类器是对类别概率函数进行实例依赖的阈值化处理。第三，我们展示了准确率与公平性之间的权衡如何由目标特征与敏感特征的类别概率之间的一致性所决定。支撑我们分析的是一个通用框架，该框架将带有公平性要求的学习问题转化为最小化两个统计风险之差的问题。
引用
@article{arxiv.1705.09055,
title = {The cost of fairness in classification},
author = {Aditya Krishna Menon and Robert C. Williamson},
journal= {arXiv preprint arXiv:1705.09055},
year = {2017}
}