从数据学习个体公平度量的两种简单方法
机器学习
2020-06-23 v1 机器学习
统计方法学
摘要
个体公平是一种直观的算法公平性定义，可解决群体公平的一些缺陷。尽管有其优势，它依赖于特定任务下的公平度量，该度量编码了我们对当前 ML 任务中公平与不公平的直觉；许多 ML 任务缺乏广泛接受的公平度量，这是个体公平更广泛应用的主要障碍。本文提出两种从多种数据类型学习公平度量的简单方法。我们通过实验表明，使用所学度量进行公平训练可在三个易受性别与种族偏差影响的机器学习任务上改善公平性。我们还对两种方法的统计性能提供了理论保证。
引用
@article{arxiv.2006.11439,
title = {Two Simple Ways to Learn Individual Fairness Metrics from Data},
author = {Debarghya Mukherjee and Mikhail Yurochkin and Moulinath Banerjee and Yuekai Sun},
journal= {arXiv preprint arXiv:2006.11439},
year = {2020}
}
备注
To appear in ICML 2020