Sep, 2020

基于排名的公平回归多任务学习

PDF
TL;DR本文提出了一种基于 Mann Whitney U 统计量的公平性学习方法，用于多任务回归模型的训练，通过非凸的优化和个体排名函数的分组排名功能的定义来提高性能。实验结果验证了本方法的出色表现。
fairness learningmulti-task regression modelsnon-convex optimizationmann whitney u statisticprotected variables
发现论文，激发创造
  • 排名和回归的成对公平性

    我们提出了针对排名模型和回归模型的成对公平度量标准，这些标准类似于统计公平概念，如平等机会、平等准确性和统计平等，通过现有的约束优化和鲁棒优化技术可以有效地解决结果训练问题，实验表明这些方法具有广泛的适用性和权衡性。

    Jun, 2019

  • 个体公正排序

    提出基于最优传输正则化的算法，确保少数群体的项目与多数群体的相似项目一同出现，实现个体公平的排序，进行排名任务时有助于降低人口统计偏差，证明该方法可以生成被公认为个体公平的 LTR 模型。

    Mar, 2021

  • 通过有效的互信息近似实现快速公平回归

    本文针对算法公平性和回归模型中的组公平标准，提出了快速近似的独立性、分离性和充分性，用于执行正则化风险最小化，从而实现公平性和准确性的折衷。

    Feb, 2020

  • 少样本回归的不公平性发现和预防

    本文通過創建因果貝葉斯知識圖，對機器學習模型中的歷史數據中現有的偏見進行了發現，提出了一種新的基於風險差的算法，以量化每個受保護變量在圖中的歧視影響力，以及一種快速適應的偏差控制方法，在元學習中高效地減少了組的不公平性，最終在合成和實際數據集上進行了廣泛實驗，證明了我們提出的不公平發現和防治方法可以高效地檢測偏見並減輕模型輸出上的偏見以及對訓練樣本量少的未見任務的精度和公平度的泛化。

    Sep, 2020

  • 一种分布鲁棒的公平分类方法

    提出了一种具有不公平惩罚的分布鲁棒逻辑回归模型，可以使用 Wasserstein ball 来对分布不确定性进行建模以实现公平机会并提高公平性。

    Jul, 2020

  • 回归机器学习问题中的公平性归一化：一种简单的归一化技术

    通过归一化的方式，该研究提出了一种名为 FaiReg 的简单有效的方法，用于最小化回归问题中的不公平影响，特别是由于标签偏差引起的影响，与数据平衡和对抗训练相比表现更优，同时不会像对抗训练一样破坏原来问题的性能。

    Feb, 2022

  • 通用的公平经验风险最小化

    本文提出了一种处理包含连续敏感属性的回归算法中避免敏感信息不公平影响的公平经验风险最小化方法，并将其泛化到标准有监督学习的整个情境中，该方法在进行知名的平等概念的实证风险最小化情境时可以减少公平度量；同时该文构建了一种可以针对内核方法进行共性公平估计的方法，并通过对公共数据集和来自五千名学生的新数据集的实验结果显示其实现了精度和公平要求之间的有效平衡。

    Jan, 2019

  • 公平回归：量化定义和基于约简的算法

    本文研究了一类称为公平回归的问题，在保证对于某些受保护属性（如性别或种族）的公平性的情况下，预测一个实数目标（如风险评分或再犯率）。提出了通用的公平回归方案，包括统计平等和有界组损失两种公平性。与其他任务相比，该方案只需要使用标准的风险最小化算法（如标准分类或最小二乘回归），而提供得到的解的最优性和公平性的理论保证。除了分析方案的理论性质外，还在几个标准数据集上经验性地展示其揭示公正 - 准确性前沿的能力。

    May, 2019

  • FAIRM：通过极小极大优化实现算法公平性和领域泛化的不变表示学习

    通过不变原则，我们提出了一个具有公平性和域泛化特性的基于训练环境的 FAIRM 方法，并在弱分布假设下提供了具有有限样本理论保证的实证 FAIRM。我们开发了高效的算法来实现线性模型中的 FAIRM，并展示了最小化最优性的非渐近性能。我们通过合成数据和 MNIST 数据的数值实验来评估我们的方法，并证明其优于其他方法。

    Apr, 2024

  • 通过分组学习：一种多层次优化框架，提高分类公平性而不损失准确性

    本文提出了一种新的机器学习框架，旨在为实现公正和准确性而学习分组，从而减少 ML 模型在特定人群中的偏见和歧视，并在各种数据集上实现了最新技术的改进。

    Apr, 2023