Wasserstein 公平分类
机器学习
2019-07-30 v1 机器学习
摘要
我们提出一种公平分类方法，通过最小化 Wasserstein-1 距离来强制分类器输出与敏感信息之间的独立性。该方法具有理想的理论性质，并且对由模型输出获得类预测的阈值的具体选择具有鲁棒性。我们引入了不同方法，能够在测试时隐藏敏感信息或具有简单快速的实现。我们在多个基准公平数据集上展示了相对于不同公平性基线的经验性能。
引用
@article{arxiv.1907.12059,
title = {Wasserstein Fair Classification},
author = {Ray Jiang and Aldo Pacchiano and Tom Stepleton and Heinrich Jiang and Silvia Chiappa},
journal= {arXiv preprint arXiv:1907.12059},
year = {2019}
}