ICMLJun, 2022

具有凸罚项的公平广义线性模型

PDF
TL;DR本文提出两种 GLMs 的公平性标准，即基于期望结果或对数似然函数的平等化，证明了对于 GLMs，两个标准都可以通过只基于 GLM 的线性组成部分的凸罚项实现，从而允许高效的优化。同时，给出了导致公平 GLM 估计器的理论性质。
algorithmic fairnessgeneralized linear modelsglmsfairness criteriaconvex penalty term
发现论文，激发创造
  • fairml：统计学家对公平机器学习建模的看法

    本文介绍了 fairml R 包，该包旨在通过经典统计模型和惩罚回归结果（岭回归）实现公平和可解释的机器学习模型，并提供模型估计，选择和验证功能，以及诊断图。

    May, 2023

  • 公平监督学习的损失平衡

    通过使用现成的凸规划工具（如 CVXPY），本文提出了 ELminimizer 算法，通过将非凸优化问题转化为一系列凸优化问题，高效地找到满足等效损失约束条件下的全局最优公平预测器，并通过多个实证研究支持我们的理论结果。

    Nov, 2023

  • 广义广义线性模型：凸估计和在线界限

    提出一个计算新框架以估算广义广义线性模型 (GGLM) 中的参数，该模型扩展了流行的广义线性模型 (GLM) 以解释时空数据中的观测依赖性。该方法使用单调算子为基础的变分不等式方法来克服参数估计中的非凸性并提供参数恢复的保证，适用于 GLM 和 GGLM，重点关注时空模型，并使用数值模拟和真实数据实例演示算法的性能。

    Apr, 2023

  • 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

  • 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

  • 用简单的岭惩罚实现公平性

    本文提出了一个通用框架，以用户定义的公平级别为条件估计回归模型，并在选择惩罚项的模型选择过程中对公平性进行强制，所得的回归系数估计结果易于根据公平级别解释。同时，本文通过实验证明所提方法在与其他已有方法比较后，提供了更好的适合度和相同公平级别下更好的预测准确性。

    May, 2021

  • 公平 GLASSO: 无偏统计行为估计公平图模型

    我们提出了一种公平估计的高斯图模型，该模型可以通过两个偏差度量来促进不同敏感属性的节点组之间的统计相似性的平衡。利用这些度量，我们提出了一种称为 Fair GLASSO 的正则化图拉索方法，以获得在组之间具有无偏统计依赖关系的稀疏高斯精度矩阵。我们还提出了一种高效的近端梯度算法来获得这些估计值。在理论上，我们阐明了公平性和准确性之间的权衡关系，包括在公平性约束下准确性可以得到保持的情况。此外，我们研究了 Fair GLASSO 的复杂性，并证明了我们的算法具有快速收敛速度。通过合成和真实世界的模拟验证，我们展示了我们提出的优化问题和迭代算法的价值和有效性。

    Jun, 2024

  • 用于公平回归的凸框架

    本文介绍了一种灵活的公平性正则化方法，可应用于线性和逻辑回归问题，并在不同数据集上进行了研究和分析，以计算准确性 - 公平性权衡的有效前沿并测量其程度。

    Jun, 2017

  • 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

  • 通过交换计算获得不确定性加速广义线性模型

    我们介绍了一系列迭代方法，用于计算大规模 Bayesian 广义线性模型（GLMs）中的近似误差，并通过并行计算、信息压缩来提高训练速度并减少计算量。

    Oct, 2023