Jun, 2018

针对公平性度量和其他数据相关限制训练良好泛化的分类器

PDF
TL;DR本研究探讨了如何通过两个数据集的两人博弈法优化模型参数，进而在满足约束条件的同时提高评估时的一般化性能，以达到公平性和减少误诊率等政策目标。实验结果表明，该方法不仅在理论上可行，而且在实际使用中也十分有效
发现论文，激发创造
  • 利用数据集限制实现实际目标

    本篇论文提出通过使用数据集约束、使用斜面惩罚精确量化成本，并提出一种有效的算法来约束多个数据集上的多个目标，以处理训练集错误最小化目标外的其他真实目标。实验结果表明我们的方法的有效性。

    Jun, 2016

  • 数据受限二元分类中平衡公平性与准确性

    在处理敏感信息的应用程序中，数据限制可能会对机器学习（ML）分类器的可用数据施加限制，本文提出了一个框架，模拟了在四种实际情景下准确性和公平性之间的折衷，以确定在各种数据限制情况下，贝叶斯分类器的准确性受到的影响是如何的。

    Mar, 2024

  • 具有不可微约束条件的优化及其在公平性、召回率、流失率和其他目标上的应用

    本文提出了一种代理 - 拉格朗日新公式，以及用于解决非凸或不可区分约束下的非凸模型训练问题的随机分类器算法，并在精度、覆盖率、准确性、回调和客户流失率等多个方面的实验结果证明了其效果。

    Sep, 2018

  • 如何恢复有偏数据：公平约束是否能提高准确性？

    考虑机器学习分类器对不同民族、群体的不公平对待问题，本文提出了公正约束的多种方式，以及带有偏见的训练数据对分类器性能的影响，并探讨了如何利用公正约束的 Empirical Risk Minimization 算法来调整分类器以达到公平与精确度的平衡。具体而言，在选择 Equal Opportunity 以及使用 ERM 算法时能够达到 Bayes Optimal Classifier。

    Dec, 2019

  • 公平约束下的分类问题：一种可证明有效性的元算法

    本文介绍了一个新的元分类算法来解决涉及多个非不相交敏感属性的具有公正性限制的分类问题，该算法具有可证明的保证，该算法能够实现几乎完美的公平性，而且所带来的准确性损失通常很小。

    Jun, 2018

  • 分类中公平的代价

    本文研究学习分类器的公平性约束问题并提出了三种解决方案，分别是将两个现有的公平性度量关联到成本敏感风险，显示了对于成本敏感分类和公平性度量的最优分类器是类概率函数的实例相关阈值，并展示了准确性和公平性之间的权衡是通过目标和敏感特征的类概率之间的一致性来确定的。支撑我们分析的是一个通用框架，将具有公平要求的学习问题建模为两种统计风险差异的最小化问题。

    May, 2017

  • 弹性受限学习

    本文提出了一种弹性约束学习方法，通过权衡性能增益和放宽约束的成本来自适应调整要求，解决了在机器学习任务中面对多个要求的问题，例如公平性、鲁棒性、安全性等；同时，作者在图像分类与异构联邦学习任务上展示了该方法的优势。

    Jun, 2023

  • 公平约束：公平分类的机制

    该研究引入了一种灵活的机制，以设计公平的分类器，其中利用了一种新颖的、直观的决策边界（不）公平度量，并结合实际的数据表明，该机制在维持准确度的小代价下，允许对公平度进行微调。

    Jul, 2015

  • 基于核匹配的分布匹配，实现更好的绩效与公平性平衡

    介绍了一种用于确保机器学习模型中的公平性的 MinDiff 框架，并分析了一种基于核的统计依赖性测试技术，在学术数据集上运行了一项彻底的研究以比较不同规范化方法实现的帕累托前沿，并将基于内核的方法应用于两个大规模工业系统，证明了现实世界的改进.

    Oct, 2019

  • 公正和校准

    本论文探讨了在不同人群中最小化误差差异和维护校准概率估计之间的紧张关系，并表明校准只与单一误差约束兼容。

    Sep, 2017