BriefGPT.xyz
Jun, 2024
在阴影中起舞：利用模糊性实现更公平的分类器
Dancing in the Shadows: Harnessing Ambiguity for Fairer Classifiers
HTML
PDF
Ainhize Barrainkua, Paula Gordaliza, Jose A. Lozano, Novi Quadrianto
TL;DR
该文介绍了一种新的方法，用于增强在只部分了解敏感信息的情况下的算法公正性。我们建议利用对于敏感属性而言身份不确定的实例来训练传统的机器学习分类器。分类器的最终预测中观察到的公平改善，突出了优先考虑模糊性（即非规范性）以提高现实世界分类任务中的公正性保证的有希望潜力。
Abstract
This paper introduces a novel approach to bolster
algorithmic fairness
in scenarios where
sensitive information
is only partially known. In particular, we propose to leverage instances with
→