公平分类的无偏子数据选择：一致框架和可扩展算法

Dec, 2020

公平分类的无偏子数据选择：一致框架和可扩展算法

Unbiased Subdata Selection for Fair Classification: A Unified Framework and Scalable Algorithms

Qing Ye, Weijun Xie

TL;DR该论文提出了一个新的统一框架，利用深度分类模型对证明的公平性指标进行联合优化，适用于许多分类器，解决了现有方法无法建模精确公平性的问题。

Abstract

As an important problem in modern data analytics, classification has witnessed varieties of applications from different domains. Different from conventional classification approaches, fair classification concerns the issues of unintentional biases against the sensitive features (e.g.,

fair classification accuracy fairness measure mixed-integer convex programs unbiased subdata selection

发现论文，激发创造

超越次模性：带团体公正约束的随机集合选取统一框架

本文提出了一种新型的随机子集选择框架，用于解决机器学习算法中存在的偏见或歧视问题，该框架结合了群体公平和最优化的因素，具有广泛的应用前景和优化效果。

Apr, 2023

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

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

线性动力系统观测预测中的公平性

本研究提出了两种子群公平和瞬时公平的概念，解决了时间序列预测中的偏差问题，并使用凸化层次结构全局收敛优化方法来证明我们的方法的有效性。

Sep, 2022

使用敏感子空间鲁棒性训练个体公平的机器学习模型

我们考虑培训机器学习模型，使其在输入的某些敏感扰动下表现不变的公平性，这种公平性的形式化表述为个体公平性的一种变体，并使用分布鲁棒优化方法在训练期间强制执行。我们还展示了该方法在两个容易受到性别和种族偏见影响的机器学习任务上的有效性。

Jun, 2019

fairlib: 评估和提高分类公平性的统一框架

fairlib 是一个开源框架，旨在评估和提高分类公平性，内置 14 种去偏差方法和常用公平性指标，可用于自然语言、图像和音频等多种输入类型的公平性评估。

May, 2022

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

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

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

多类别分类中的公平性保证

本文提出了一种用于多类分类的算法公平性方法，同时给出了最佳公平分类器的相关表达式，该方法基于数据驱动的程序并且有理论保证。该方法在合成和真实数据集上都很有效，在决策制定中具有预设不公平性水平的公平性保证（无需考虑分布），并竞争（即使更好）地完成二元和多类任务。

Sep, 2021