高斯数据的统计子群公平性的多项式时间审计

Jan, 2024

高斯数据的统计子群公平性的多项式时间审计

Polynomial time auditing of statistical subgroup fairness for Gaussian data

Daniel Hsu, Jizhou Huang, Brendan Juba

TL;DR我们研究了具有统计子群公平性概念的分类器稽核问题。在高斯分布和一些先前的工作中，我们采用了一种新的方法来审核均匀半空间子群的统计公平性，并获得了多项式时间逼近方案（PTAS），在通用半空间子群和高斯特征分布条件下，没有密码学假设可以保证任何非平凡的审计。

Abstract

We study the problem of auditing classifiers with the notion of statistical subgroup fairness. Kearns et al. (2018) has shown that the problem of

auditing classifiers statistical subgroup fairness agnostic learning gaussian distribution

发现论文，激发创造

防止公平选区操纵：小组公平审计与学习

在机器学习中，通过使用受保护的属性定义的结构化函数类来提议一种新的公平统计定义，从而语义上定义了指数级（或无限个）子组内的统计不变性，并证明了公平子组审核的计算问题与弱自适应学习问题等价，提出了两种算法，证明了这些算法在解决自治学习问题的情况下可以收敛，其中第二种方法具有简单和更快的步骤计算的优点。

Nov, 2017

机器学习中富群体公平性的实证研究

研究了 Kearns 等人提出的富子群公平概念及其算法，经过对四个真实数据集的大量实证评估，证明其可行性和有效性。

Aug, 2018

公平性审计的统计推断

通过多重假设检验，在统计保证的前提下，使用自助法在子人群的集合中同时限制性能差异，从而识别受模型性能不足影响的子人群并验证模型在某些子人群中的适用性。此外，该方法还兼容超丰富甚至无限的子人群集合，并支持评估在某些分布变化下的性能。

May, 2023

具有噪声保护组的公平鲁棒优化

研究机器学习的公平性标准，提出一种使用鲁棒优化的新方法来处理受保护群体的嘈杂标签问题，并经实验验证，该方法能更好地保证在真实受保护群体上的公平性标准。

Feb, 2020

线性动力系统观测预测中的公平性

本研究提出了两种子群公平和瞬时公平的概念，解决了时间序列预测中的偏差问题，并使用凸化层次结构全局收敛优化方法来证明我们的方法的有效性。