利用属性诱导理解公平性正则化器的影响
机器学习
2023-12-19 v2 机器学习
摘要
预测算法通常通过优化某个损失函数进行训练，并加入正则化函数以对违反约束的行为施加惩罚。正如预期，此类正则化函数的加入会改变目标函数的最小化元。目前尚不清楚哪些正则化器会改变损失的最小化元，以及当最小化元确实改变时，它是如何改变的。我们利用属性诱导（property elicitation）迈出理解损失与正则化函数之间以及针对给定问题实例的最优决策之间联合关系的第一步。具体而言，我们给出了损失与正则化器配对在加入正则化器后属性是否改变的充要条件，并考察了公平机器学习文献中一些满足该条件的标准正则化器。我们通过实验展示了算法决策如何随数据分布变化与约束硬度而变化。
引用
@article{arxiv.2309.11343,
title = {Using Property Elicitation to Understand the Impacts of Fairness Regularizers},
author = {Jessie Finocchiaro},
journal= {arXiv preprint arXiv:2309.11343},
year = {2023}
}
备注
Please reach out if you have comments or thoughts; this is a living project. New version changing the proof of Theorem 1