通过最小 - 最大 F - 散度正则化学习公平分类器

Jun, 2023

通过最小 - 最大 F - 散度正则化学习公平分类器

Learning Fair Classifiers via Min-Max F-divergence Regularization

Meiyu Zhong, Ravi Tandon

TL;DR本文提出了一种新颖的 min-max F-divergence 规则框架，通过两个可训练网络（分类器网络和偏差 / 公平估计器网络），使用统计概念中的 F-divergence 度量公平性，学习公平的分类模型，同时保持高准确率，可适用于多个敏感属性和高维数据集。该框架针对两种群体公平性限制进行 F-divergence 规则模式的研究，进行了一系列实验，结果显示该框架在准确性和公平性之间的平衡方面实现了最先进的性能。

Abstract

As machine learning (ML) based systems are adopted in domains such as law enforcement, criminal justice, finance, hiring and admissions, ensuring the fairness of ML aided decision-making is becoming increasingly important. In this paper, we focus on the problem of →

machine learning fair classification f-divergence group fairness fairness-accuracy tradeoff

发现论文，激发创造

f-FERM：一个可扩展的稳健公平经验风险最小化框架

通过使用 f - 分散度测度的统一随机优化框架实现公平经验风险最小化，在考虑公平性和准确性的权衡时具有优势，并能够应对训练与测试数据之间的分布差异。

Dec, 2023

有界种族差异的极小极大公平分类

控制统计机器学习方法的不公平影响是确保公平性的关键。本文探讨了具有两个受保护群体的公平二分类的统计基础，重点是控制人口统计差异，并提出了一种量化公平性约束影响的新方法。

Mar, 2024

基于核匹配的分布匹配，实现更好的绩效与公平性平衡

介绍了一种用于确保机器学习模型中的公平性的 MinDiff 框架，并分析了一种基于核的统计依赖性测试技术，在学术数据集上运行了一项彻底的研究以比较不同规范化方法实现的帕累托前沿，并将基于内核的方法应用于两个大规模工业系统，证明了现实世界的改进.

Oct, 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

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

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

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

最小化群体公平性：算法和实验

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。

Nov, 2020

通过对抗性框架学习公平表示

本文介绍了一个最小二乘对抗框架，其中一个发生器生成学习个体的潜在表示，一个评论家保证了不同保护组的分布相似，从而在保留足够信息的同时解决了受保护属性引起的潜在偏差问题，为公平分类提供了理论保证。经验结果表明，这种方法可以有效地用于分类任务，特别是在删除受保护属性不足以实现公平分类的情况下。

Apr, 2019