基于核分布匹配的性能和公平性之间更好权衡
机器学习
2019-10-28 v1 机器学习
摘要
正如近期文献所展示的，分类器常对某些子群体带有无意偏见，将机器学习模型部署给用户需要仔细考量社会后果。我们应如何在实际系统中解决此问题？我们应如何平衡核心性能与公平性度量？在本文中，我们引入一个 MinDiff 框架，用于使分类器正则化以朝向不同公平性度量，并分析了基于核的统计依赖性检验的一种技术。我们在学术数据集上进行了深入研究，以比较不同正则化方法所达成的帕累托前沿，并将我们的基于核的方法应用于两个大规模工业系统，展示了现实世界中的改进。
引用
@article{arxiv.1910.11779,
title = {Toward a better trade-off between performance and fairness with kernel-based distribution matching},
author = {Flavien Prost and Hai Qian and Qiuwen Chen and Ed H. Chi and Jilin Chen and Alex Beutel},
journal= {arXiv preprint arXiv:1910.11779},
year = {2019}
}