终极目标是否正当化手段？公平感知机器学习的道德正当化

Feb, 2022

终极目标是否正当化手段？公平感知机器学习的道德正当化

Does the End Justify the Means? On the Moral Justification of Fairness-Aware Machine Learning

Hilde Weerts, Lambèr Royakkers, Mykola Pechenizkiy

TL;DR论文讨论公正机器学习算法的义务，对比不同的公正度量标准及其在道德层面的合理性，分析 Hardt 等人提出的公正机器学习算法引起的道德问题。作者建议需要从综合角度评价公正机器学习算法的策略和效果。

Abstract

fairness-aware machine learning (fair-ml) techniques are algorithmic interventions designed to ensure that individuals who are affected by the predictions of a machine learning model are treated fairly, typically measured in terms of a quantitative fairness metric. Despite the multitud

fairness-aware machine learning fairness metrics moral reasoning fair distribution of burdens and benefits fair-ml algorithm

发现论文，激发创造

公平是什么？对公平机器学习的哲学思考及其含义

本文旨在通过形式化一致的公平概念，将哲学讨论转化为 ADM 系统中 ML 模型培训和评估的一种正式框架，并提出了一般算法，以实现 fairML 的更高语言清晰度和实际应用。

May, 2022

机器学习中的公平性

讨论如何使用因果贝叶斯网络和最优输运理论来处理机器学习公平性问题，尤其是在复杂的不公平场景下，提出了一种统一的框架来处理不同的情况和公平标准，并介绍了一种学习公平表示的方法和一种考虑敏感属性使用限制的技术。

Dec, 2020

应用公平性如何？

该论文探讨了当前机器学习产品中的伦理问题，认为在实现一定程度上的公平性方面取得进展，即使这些进展并不能完全实现 “完全” 的公平或完全符合我们个人对公平度量的信念，也是一个应该受到欢迎的改进。这篇论文进一步阐述了这一观点及其重要性。

Jun, 2018

公平性指标领域细微差别的澄清

本文探讨了机器学习和自动决策中处理公平性的问题，并对已提出的关于公平性的不同定义进行了分析和梳理。

Jun, 2021

超人公平性

将公平性问题重新解释为一种基于超级公平性目标的模仿学习任务，以同时提高决策的准确性和公平性。

Jan, 2023

公平性的测度和误测：公平机器学习的关键综述

公平机器学习的早期专注是确保由算法指导的决策是公平的，三个公平定义引起了人们的关注，即反分类，分类平衡和校准，但这三个公平定义都有重大的统计局限性。相比之下，我们认为更倾向于根据最准确的风险估计对类似风险的人进行相似的处理，而不是一定要满足公平的数学定义，并强调这种方法需要大量的努力来构建适当的风险估计。

Jul, 2018

将公平原则付诸实践：挑战、度量和改进

本文研究算法公平性在机器学习中的应用，并提出了衡量和解决算法公平性问题的新方法，包括公平性指标和模型训练优化。

Jan, 2019

从数据学习个体公平度量的两种简单方法

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

机器学习中 “公平” 的权威性

本文主张机器学习社群采用一个规范的公正定义，并以此为基础回顾当今公平机器学习的现有文献，提出了吸纳更广泛社群并就决定何为公平展开更多辩论的建议。

Jun, 2017

机器学习中预测公平性的形式化

探讨机器学习算法公平性如何在预测任务中被正式化，并提供相应的社会科学文献中分配公正的概念，通过理论和实证批判这些概念，并解释这些批判如何限制相应公平正式化的适用性和讨论潜在公平正式化的路径。

Oct, 2017