fairret: 可微公平规范项的框架

Oct, 2023

fairret: a Framework for Differentiable Fairness Regularization Terms

Maarten Buyl, MaryBeth Defrance, Tijl De Bie

TL;DR将公平性的定义量化为模块化目标，易于与自动微分流程集成的公平化正则化项 (fairrets) 框架，通过广义公平性的线性分数统计量定义，可以高效计算出多种 fairrets。实验证明其梯度的行为以及与基准方法相比在保持最小预测准确性损失的同时实施公平性的效果。我们的贡献包括 fairret 框架的 PyTorch 实现。

Abstract

Current tools for machine learning fairness only admit a limited range of fairness definitions and have seen little integration with automatic differentiation libraries, despite the central role these libraries play in modern machine learning pipelines. We introduce a framework of

machine learning fairness automatic differentiation libraries fairness regularization terms linear-fractional statistics fairret framework

发现论文，激发创造

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

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

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

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

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

公平回归：量化定义和基于约简的算法

本文研究了一类称为公平回归的问题，在保证对于某些受保护属性（如性别或种族）的公平性的情况下，预测一个实数目标（如风险评分或再犯率）。提出了通用的公平回归方案，包括统计平等和有界组损失两种公平性。与其他任务相比，该方案只需要使用标准的风险最小化算法（如标准分类或最小二乘回归），而提供得到的解的最优性和公平性的理论保证。除了分析方案的理论性质外，还在几个标准数据集上经验性地展示其揭示公正 - 准确性前沿的能力。

May, 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

FairALM: 用增广 Lagrangian 方法训练公平模型，减少悔恨

本文研究了使用公平性度量来指导模型的设计和训练的机制，提出了一种简单但可靠的方法，即在训练模型时同时实现公平，并通过详细的技术分析和实验验证了在计算机视觉训练任务中可靠地实现各种公平性度量。

Apr, 2020

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

医学影像公平性基准测试

该研究介绍了 MEDFAIR 框架，可以用于医学成像机器学习模型的公平性评估和算法的基准测试，通过实验发现模型选择标准可以对公平性结果产生重要影响，并在不同的应用场景和伦理原则下提供了建议。

Oct, 2022