最小化群体公平性：算法和实验

Nov, 2020

Minimax Group Fairness: Algorithms and Experiments

Emily Diana, Wesley Gill, Michael Kearns, Krishnaram Kenthapadi, Aaron Roth

TL;DR本文介绍了一个最小化最大损失的策略，用于处理团体公平性，并提供了能够支持回归、分类设置以及整体错误和误报率的相关算法。该算法还支持公平性约束的松弛，进一步研究了整体准确性与最小化最大公平性之间的权衡，并对多种数据集进行了实验分析，证明了最小化最大公平性严格和强烈优于平等结果概念。

Abstract

We consider a recently introduced framework in which fairness is measured by worst-case outcomes across groups, rather than by the more standard differences between group outcomes. In this framework we provide pr

fairness worst-case outcomes learning algorithms minimax group fairness regression and classification

发现论文，激发创造

极小化帕累托公平性：一个多目标视角

本研究将群体公平性形式化为一个多目标优化问题，并提出一种公平性标准和优化算法，在深度神经网络上进行测试并展示如何减少最坏情况下的分类错误。

Nov, 2020

最大最小公平排名：在群体公平约束下的个体公平

针对排名中的公平性问题，我们提出一种基于分配式最小最大公平理论的算法，旨在通过随机化策略，尽可能地减少个体不公平带来的损失，并确保在满足给定群体公平性约束的同时，能够使尽可能多的个体获得最大的收益。

Jun, 2021

平均个体公平性：算法、泛化及实验

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

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

最小 - 最大公平的主动采样

使用简单的主动采样和加权策略来优化任何分类或回归模型的最小 - 最大公平性，重点在于使用最不利的数据点来更新模型，适用于凸学习问题，即线性或逻辑回归，并证明收敛速度。

Jun, 2020

联邦学习中的公平模型学习组

本文介绍了一种新的联邦学习公平性指标 --minmax 小组公平性，并提出了一种名为 FedMinMax 的算法解决该问题，实验结果表明该算法在不同联邦学习设置下实现了小组公平性和中心化学习算法的性能保证。

Oct, 2021

公平徵询的算法框架

介绍了一种框架，在该框架中，可以将成对的个体标识为需要（大约）相等的待遇。我们引入了一种算法，可以在满足预设的公平性约束条件下学习最准确的模型，并证明了其准确性和公平性的泛化界限。该算法还可以将传统的统计公平概念与 elicited constraints 相结合，从而通过前者 “纠正” 或修改后者。我们使用在 COMPAS 犯罪再犯率数据集上 elicited 的 human-subject 公平性约束条件的行为学研究报告了初步结果。

May, 2019

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

稳健对数损失分类的公平性

采用最坏情况下的对数损失最小化方法将公平性标准纳入分布鲁棒性的第一原则，并基于此原则推导出一种新的分类器，该方法具有凸性和渐近收敛性，并在三个基准公平数据集上展示了其实践优势。

Mar, 2019

在公平约束下的经验风险最小化

介绍了一种基于经验风险最小化的算法，通过将公平性约束条件融入到学习问题中，实现敏感变量不会不公平地影响分类器的结果，得出了公平性和风险的界限，对核方法进行了特定说明，发现公平性要求意味着正交性约束，此约束可轻松添加到这些方法中，特别是对于线性模型，约束转化为一个简单的数据预处理步骤，实验证明该算法具有实用性，表现优于最先进的方法。

Feb, 2018