- 对成对公平 $k$- 中位聚类问题的多项式时间近似
我们研究了配对公平聚类,其中对于每个聚类和每个组,来自组 i 的聚类 C 中的点的数量必须不超过其他组 j 中的点的数量的 t 倍,我们设计了第一个满足公平性约束条件的多项式时间近似算法,并提供了近似难度的结果。
- 具有长期公平约束的在线不安定多臂赌博机
我们介绍了一种名为 RMAB-F 的新的多臂老虎机模型,它具有长期公平约束;并开发了一种名为 Fair-UCRL 的强化学习算法,证明了其能够在奖励遗憾和公平违反遗憾方面保持概率亚线性边界。
- AAAI多维公平联邦学习
我们提出了一种名为 mFairFL 的方法,通过使用差分乘数构建优化目标,同时实现组公平和客户公平,以解决在隐私不受损失的情况下训练公平的 FL 模型的问题。理论分析证明 mFairFL 有助于模型的公平性,并且基于三个基准数据集的实验评估 - 具有马尔可夫数据的随机约束随机优化
本文研究了基于 Markov 链采样的随机约束随机优化问题,将 drift-plus-penalty 方法推广至这一设置,提出了两种变体,分别适用于已知和未知混合时间的情况,同时适用于约束函数序列遵循 Markov 链的一般设置,通过在分类 - 基于部署数据的在线分配有限社会资源的最优和公平策略学习
研究了将稀缺的社会资源分配给异质性申请人的问题,根据观察到的协变量设计了一种在线政策,以满足预算限制并最大化预期结果,并通过数据驱动的政策几乎确定渐近实现了最佳样本外政策的预期结果,并扩展了包括各种公平约束的框架。
- 公平且健壮的异质性处理效应评估用于政策学习
本研究提出了一种简单且通用的非参数估计框架,用于在公平性约束下估计异质性处理效应,该方法在标准正则条件下展现出双重鲁棒性质,通过评估方法,我们确定了公平和最大福利之间的权衡,并用实际案例展示了我们的方法。
- 基于子人群公平约束的最佳臂识别
本文研究了在子人群中具有公平性约束的最佳臂识别问题,提出了算法并证明了样本复杂度的下限和算法一致。
- 务实公平:制定具有结果差异控制的政策
本文提出了一个因果框架来设计满足公平性约束条件的最优策略,并提出了两种不同的公平性约束条件:既有限制中断(moderation breaking)约束,又有等效益(equal benefit)约束,说明了如何在半合成模型上实现这些约束的实用 - 决策系统长期公平性的优势正则化策略优化
本文介绍了使用深度强化学习方法来优化决策的长期公平性,通过比较三个案例,结果表明,我们的方法可以通过正则化不同动作的优势评估来轻松实现公平性约束而不需要奖励工程或牺牲训练效率。
- 利用公平性来增强敏感属性的重建
本篇论文提出了一种通用的重构校正方法,可以在满足用户定义的约束条件(如公平性信息)的同时最小化敌手的猜测的更改,并解决了黑盒访问目标模型的情况下反应了培训数据敏感属性的问题。
- ICML了解公平限制的实例级影响
本研究使用影响函数(influence function)的概念研究了在实例级别强制公平约束时,训练示例的影响,提出了一种公平性影响函数。通过排名它们的影响分数,确定可能导致模型歧视的可疑培训示例,进行了大量实验并得出结论,仅在重要数据示例 - FIFA: 在训练不平衡数据分类器中使公平更具有普适性
介绍了一种理论上遵循平衡公正(FIFA) 的灵活方法,以同时支持分类和公正的泛化,结合多种现有公正学习方法,为一些不平衡的数据集提供了更好的公正泛化。
- KDD公平标注聚类
本文主要考虑聚类算法在实际应用中保证群体公平性的问题,并提出了相应的算法。在该算法中,决策者运行聚类算法,检查每个簇的中心并为其相应的簇分配一个适当的结果。
- ICML社会规范偏见:公平感算法的残留伤害
本文通过研究职业分类中的 gender bias 问题,揭示了机器学习模型中可能存在的 Social Norm Bias (SNoB) 并比较了不同公平性算法的效果,显示这是一种残余偏差,后处理方法无法修正这种偏差。
- 拉格朗日对偶方法实现差分隐私和公平深度学习
这篇论文研究了如何使用差分隐私和拉格朗日对偶的方法来设计神经网络,以确保在预测中不出现性别、种族或年龄等偏见,同时保护个人敏感信息,对于保证准确性、隐私与公平之间的平衡关系问题进行了分析,并在多个预测任务上进行了实验验证。
- 通过 Rényi 最小化学习无偏表示
本文提出了一种通过 Hirschfeld-Gebelein-Renyi (HGR) 最大相关系数生成不带偏见表示的对抗性算法,从而实现了在机器学习算法的训练目标中包含公平性约束。
- 带公平性约束的网络欺凌检测
本研究提出了一种采用公正性约束的模型训练方案,旨在缓解网络暴力检测模型中的意外偏见,证明了各种类型的意外偏见可以成功地减轻而不损害模型的质量。
- 公平相关聚类
本研究探讨了在公平约束下的相关性聚类,通过引入新的组合优化问题,在多种公正性约束条件下,获得了公平相关聚类的近似算法。同时,通过对真实图形的算法进行深入分析,表明与现有的不公平算法相比,可以在有限的成本增加下获得相关聚类的公平解决方案。
- 公平上下文多臂赌博机:理论与实验
本研究介绍一种带有公平性约束条件的多臂赌博算法,使用关于用户和任务的上下文信息进行决策制定,以展示公平的决策结果
- 如何恢复有偏数据:公平约束是否能提高准确性?
考虑机器学习分类器对不同民族、群体的不公平对待问题,本文提出了公正约束的多种方式,以及带有偏见的训练数据对分类器性能的影响,并探讨了如何利用公正约束的 Empirical Risk Minimization 算法来调整分类器以达到公平与精确