组公平训练对共享模型的正则化效应分析
机器学习
2024-03-01 v1 计算机与社会
摘要
在公平机器学习中，训练样本较少的组之间的性能差异的一个来源是过拟合。我们推导了以福利为中心的公平机器学习中针对各组的概括误差界，这些界限来自于主要组的较大样本量。我们通过考虑受限假设类上的组特定Rademacher平均值来实现这一点，该假设类包含对于以公平学习目标（例如，功率均值）表现良好的模型族。我们的仿真结果表明，这些界限优于简单方法，理论上如期而作，尤其在较小的组大小上表现出显著的改进。
关键词
引用
@article{arxiv.2402.18803,
title = {To Pool or Not To Pool: Analyzing the Regularizing Effects of Group-Fair Training on Shared Models},
author = {Cyrus Cousins and I. Elizabeth Kumar and Suresh Venkatasubramanian},
journal= {arXiv preprint arXiv:2402.18803},
year = {2024}
}