度量学习用于个体公平性
研究介绍了关于个体公平性度量的概念,发现这种方法并不适用于机器学习的训练集以及潜在的人群,所以提出了一种相对放宽的类似度公平近似指标方法,同时实现了最佳的准确率作为 PACF 学习的基础。
Mar, 2018
在 Dwork 等人的框架中,我们研究了公平分类问题,提出了一种新的公平概念 (metric multifairness)。该概念是基于相似度度量和样本的比较集合,并且可以用有限次查询任意度量的方式来实现。
Mar, 2018
本研究提出了两种简单的方法,从多种数据类型中学习公平指标,经实验证明使用学习到的指标进行公平训练可以在三种机器学习任务中有效减少性别和种族偏见,同时也提供了关于统计性能的理论保证。
Jun, 2020
本研究通过收集新的人员判断数据,尝试从人员标注数据中学习类似度度量,以实现个人公平性。研究结果表明,所学度量优于欧几里得度量和精度度量,并为学习诸如个人公平度量之类的度量提供了一种工具。
Oct, 2019
本文提出不需要人工规范距离度量的个体公平性的实现方法。我们提出新的方法获取和利用关于同样值得的个人的附加信息来打破社会群体之间的剥夺,将这些知识建模为公平图,并学习数据的统一成对公平表示,捕捉个体间数据驱动的相似性和公平性图中成对附加信息。我们从各种来源获取公平判断,包括关于再犯率预测(COMPAS)和暴力社区预测(Crime&Communities)的两个真实数据集的人类判断。实验显示,对于实现个体公平,PFR 模型是实际可行的。
Jul, 2019
本文旨在通过实现一个两步训练过程来识别和减轻个人不公平,并利用最近在此领域发表的一些技术,特别是在信贷审批用例中适用的技术。我们还调查了实现个人公平性的技术在实现团体公平性方面的有效程度以及提出了第二度量标准来确定模型如何公平地处理类似的个体,最后呈现了一些与个人不公平减轻技术相关的实验结果。
Nov, 2022
本文研究公平聚类问题并提出了采用 f - 散度测量统计相似度,以确保相似的个体得到类似的对待,该方案保证了群体公平性与个人公平性。在 $p$- 范目标的约束下,我们提供了可证明的近似保证聚类算法。同时,我们还考虑了群体公正和个人公正在受保护群体内的实现条件,并证明了个人公平性是群体公平性的必要条件。实验证明了这种方法的有效性。
Jun, 2020
本文提出了一种基于概率映射用户记录的方法,用于实现算法决策应用的个体公平性和真实应用环境下的分类器和排名等工具的效用性,并通过应用于现实世界数据集的分类和学习排序任务的实验表明了其比之前最佳方法有显著改善。
Jun, 2018
本研究提出一种基于个体和统计概念的新公平性定义族,设计了一种可以访问任何标准公平性无关的学习启发式算法的神谕有效算法,用于公平经验风险最小化任务,并且通过实验证明了其效果。
May, 2019