Sep, 2023

多敏感属性的顺序公平机制

PDF
TL;DR通过多次敏感特征逐步实现公平性，利用多元 Wasserstein 几何中心将 Strong Demographic Parity 的标准推广到具有多个敏感特征的情况，并提供一种闭式解决方案，使得对不同敏感特征之间的相关性有明确的解释，进而实现了风险和不公平性之间的权衡。该方法适用于近似公平性，提供了对特定敏感特征的公平性改进的有针对性优先级，从而实现了针对案例的适应性，通过数据驱动的解决方案估计程序，并在合成和真实数据集上进行了全面的数值实验证明了我们的后处理方法在促进公平决策方面的实际有效性。
algorithmic fairnessmulti-marginal wasserstein barycenterssequential frameworkmultiple sensitive attributesfair decision-making
发现论文，激发创造
  • 多属性公平性：针对欺诈检测的应用

    本文提出了一种公平度量方法，通过迭代式基于网格的启发式算法来校准敏感属性值的结果，实现对保护属性值的公平。在多个受保护属性值的情况下，通过对欺诈检测进行研究，证明所提出的启发式算法能够实现公平。与现有的公平技术相比，该算法在多个公开数据集上的性能表现相当。

    Jul, 2022

  • 多敏感属性聚类的公平性

    本文提出了一种公平的聚类方法 FairKM，它基于流行的 K-Means 聚类公式，通过计算公平性与集群一致性目标，得到了公平的聚类。实证评估表明，FairKM 产生的集群在聚类质量和对敏感属性组的公平呈现方面都有显著提高。

    Oct, 2019

  • 通过 Wasserstein Barycenters 实现多任务学习的公平性

    本文提出一种用于多任务学习的算法公平性方法，该方法通过使用多项 Wasserstein barycenter 扩展 “Strong Demographic Parity” 的定义，为具有回归和二分类任务的多任务学习器提供了封闭形式解决方案，并应用于合成和现实数据集上以展示其在促进公平决策方面的实际价值。

    Jun, 2023

  • 公平感知机器学习的两阶段算法

    论文提出了一种基于两阶段最小二乘法的公平机器学习算法，能够有效处理数据中敏感属性与非敏感属性相关的不公平问题， 其独特之处在于该算法针对回归模型的不公平问题也能做出有效处理，并且能够解决数字敏感属性的问题，经实验验证表现卓越。

    Oct, 2017

  • Wasserstein 双凸权重平均的公平回归

    通过公平回归和最优输运理论的联系，得到一种最优公平的预测器，并建议了一个简单的后处理算法来实现公平。这个结果提出了最优公平预测的直观解释，并为这个过程建立了风险和无分布的公平保证。

    Jun, 2020

  • 因果多层公平性

    本文使用因果推断工具对多层次公平性问题进行了形式化描述，并在考虑多层敏感属性的情况下，通过预测收入来演示公平性问题的重要性和解决方法。

    Oct, 2020

  • 以简单随机抽样器进行敏感属性的公平监督学习

    利用神经网络以简单的随机采样器对敏感属性进行学习的公平惩罚措施，旨在实现非歧视性监督学习。与现有的许多方法相比，该惩罚能够处理多种格式的敏感属性，因此在实践中更具广泛适用性。实证证据表明，我们的框架在流行的基准数据集上的效用和公平性度量优于竞争方法。我们还在理论上表征了所提出的神经网络惩罚风险最小化问题的估计误差和效用损失。

    Nov, 2023

  • 基于人口平衡的公平学习算法的归纳偏差

    研究通过敏感属性的少量依赖分配标签的公平监督学习算法在机器学习界引起了极大关注。本文分析了标准的基于 DP 的正则化方法对给定敏感属性的预测标签的条件分布的影响，并提出了一种基于敏感属性的分布鲁棒优化方法以改善对敏感属性边际分布的鲁棒性，数值实验结果支持了理论结果及所提出的方法的去偏效果。

    Feb, 2024

  • 利用公平性来增强敏感属性的重建

    本篇论文提出了一种通用的重构校正方法，可以在满足用户定义的约束条件（如公平性信息）的同时最小化敌手的猜测的更改，并解决了黑盒访问目标模型的情况下反应了培训数据敏感属性的问题。

    Sep, 2022

  • 公平分类的超参数调整，不需要敏感属性访问

    该论文提出 Antigone 框架，通过使用基于偏见分类器所产生的伪敏感属性标签来训练公平分类器，无需使用敏感属性标签，通过同时最大化准确性和公平性来实现平等机器学习。

    Feb, 2023