Apr, 2024

公平 MP-BOOST： 公平可解释的 Minipatch 增强

PDF
TL;DR研究论文介绍了一种名为公平 MP-Boost 的随机增强方案，旨在在保持预测能力的基础上提高公平性和可解释性。通过采用自适应学习特征和观测的方式，该方法平衡了准确性和公平性，并通过最相关的全局学习子集选择重要和公平特征来提高模型的性能。经过实证评估，展示了公平 MP-Boost 在模拟和基准数据集上的解释性、准确性和公平性。
ensemble methodsboostingfairnessinterpretabilitymp-boost
发现论文，激发创造
  • 个体公平梯度提升

    该研究采用函数梯度下降法实现在梯度提升中的个体公平性问题，并证明了该算法在决策树等非平滑模型上的泛化性和有效性。

    Mar, 2021

  • 机器学习的准确性和公平性权衡：基于随机多目标方法的研究

    本文介绍了一种新的处理公平性的方法，通过建立一个随机多目标优化问题，得到一组准确且平衡的 Pareto 前沿，以此权衡准确度和公平性，以更高效地处理大量的流数据。

    Aug, 2020

  • AdaFair: 累积公平自适应提升算法

    研究机器学习如何处理公平性和防止基于敏感属性的预测性歧视问题，并提出一种名为 AdaFair 的基于 AdaBoost 分类器的方法，该方法显式地处理类别不平衡并在维持分类准确性的同时优化公平性，实验证明其在平衡错误方面比现有的公平性方法表现显著好 25％。

    Sep, 2019

  • 基于奇偶校验的累积公平感知 Boosting

    该研究提出了 AdaFair 算法，它可以有效地处理数据驱动的人工智能系统中的歧视问题，在平衡不足的情况下实现了性别、种族等保护属性的公平，同时保持预测性能。

    Jan, 2022

  • FairBatch: 用于模型公正性的批量选择

    通过双层优化算法，提出了一种名为 FairBatch 的算法，可以通过自适应地选择小批量来改善模型公平性。这种算法不需要对数据预处理或模型训练进行广泛改变，可与现有的批量选择技术兼容，并提供卓越的性能表现。

    Dec, 2020

  • 关于对抗偏差和公正机器学习的鲁棒性

    为保证公正性，公平机器学习算法致力于消除不同群体间的行为差异，但是研究表明，在训练数据存在偏差的情况下，将同等的重视不同规模和分布的不同群体，可能会与鲁棒性相冲突，攻击者可以通过对样本和标签的控制来攻击群体公平性机器学习，从而在测试数据上显著降低测试准确率，本文评估了多种算法和基准数据集的攻击，分析了公平机器学习的鲁棒性。

    Jun, 2020

  • 公正的对抗梯度提升树

    本研究提出了一种新的对抗性梯度树提升方法用于公平分类，并在多个数据集上进行实证评估，通过使用一组不同的公平定义来衡量公平性，证明了该方法在精度相同的情况下取得了更高的公平性。

    Nov, 2019

  • 适应性增强与公平感知重新加权技术的公平分类

    提出了一种新颖的公平 AdaBoost（FAB）方法，通过公平感知的权重调整技术实现公平分类，并在维持 AdaBoost 的优势的同时，几乎不牺牲预测性能。在实际数据集上进行的实证结果表明，FAB 在公平性和准确性的权衡方面优于同类方法。

    Jan, 2024

  • 公平约束下的梯度提升树

    我们提出了 FairGBM，这是一种用于在公平约束下训练 GBDT 的双升学习框架，其对预测性能的影响很小，同时提出了平滑的凸误差率代理。

    Sep, 2022

  • 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