朝着利益相关者对齐的机器学习的稳定偏好

Jan, 2024

朝着利益相关者对齐的机器学习的稳定偏好

Towards Stable Preferences for Stakeholder-aligned Machine Learning

Haleema Sheraz, Stefan C. Kremer, Joshua August Skorburg, Graham Taylor, Walter Sinnott-Armstrong...

TL;DR为了应对肾脏分配面临的紧迫挑战，本研究旨在开发一个数据驱动的解决方案，并融入利益相关者的价值观。通过使用 “两两对比肾脏患者在线调查” 数据，经过个人、团体和稳定性三个层面的评估，我们运用机器学习分类器来学习个人和团体层面对肾脏分配的偏好。通过将利益相关者的偏好融入肾脏分配过程，我们致力于推进器官移植的伦理维度，促进道德价值观融入算法决策，以实现更加透明和公平的实践。

Abstract

In response to the pressing challenge of kidney allocation, characterized by growing demands for organs, this research sets out to develop a data-driven solution to this problem, which also incorporates stakeholder values. The primary objective of this study is to create a method for l

kidney allocation data-driven solution individual and group-level preferences machine learning classifiers ethical dimensions of organ transplantation

发现论文，激发创造

公正的核学习

研究如何通过包含公平性在目标函数中来解决机器学习中涉及敏感特征的不公平性问题。提出了基于新的公平分类框架的新型公平回归和降维方法，并通过使用 Hilbert Schmidt 独立性准则作为公平项，实现了线性和非线性问题的评估。

Oct, 2017

使用机器学习进行序列决策时的群体留存：用户动态与公平性的相互作用

探讨多个人口群体数据训练的机器学习模型容易存在表征失调，选择公平性标准对用户动态影响的必要性，防止在样本池中某些群体的逐渐消失和表征差距不断恶化的问题。基于一般的用户动态模型，选择合适的公平标准。

May, 2019

基于深度生成模型的长期公平决策

研究论文通过使用时间因果图和不同人群干预分布之间的 1-Wasserstein 距离作为定量指标，以减少顺序决策系统中的群体差异，研究了长期公平的机器学习。然后，提出了一个三阶段的学习框架，其中决策模型在深度生成模型生成的高保真数据上进行训练，将优化问题制定为执行风险最小化，并采用了重复梯度下降算法进行学习。经验评估证明了所提出方法在合成和半合成数据集上的有效性。

Jan, 2024

通过分组学习：一种多层次优化框架，提高分类公平性而不损失准确性

本文提出了一种新的机器学习框架，旨在为实现公正和准确性而学习分组，从而减少 ML 模型在特定人群中的偏见和歧视，并在各种数据集上实现了最新技术的改进。

Apr, 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

机器学习中的多模型公平和伦理

该研究探讨了预测模型多样性对公平性的影响，发现在多个同等效果的模型中选择对于个人可能具有不利影响，而单纯技术手段无法解决这种问题。

Mar, 2022

跨群体分类公平性探索

研究了算法公平性，运用聚类算法对隐式敏感特征进行了研究，增加了模型性能评估范围的修正，进而提高了模型的分类公平性。