- OptiGrad:基于梯度学习的公平高效价格弹性优化
提出一种基于梯度下降方法的新颖方法,通过优化来最大化盈利率,在非人寿保险市场上实现三个关键目标:1)最大化利润率,2)确保转化率,3)实施公平性准则。
- f-FERM:一个可扩展的稳健公平经验风险最小化框架
通过使用 f - 分散度测度的统一随机优化框架实现公平经验风险最小化,在考虑公平性和准确性的权衡时具有优势,并能够应对训练与测试数据之间的分布差异。
- 带公平约束的谱归一化 - 割图分割
我们提出了一种名为 FNM 的二阶段谱算法,通过在目标函数中添加公平性准则来获取更公平的谱节点嵌入,然后设计一个舍入方案从该公平嵌入中生成 k 个簇,从而在维持公平性的同时达到良好的分区质量。通过对九个基准数据集进行全面实验,我们证明了 F - 通过后处理预测器实现公平且最优分类
该论文研究了机器学习中的公平性问题,提出了在保持公平的前提下如何提高预测模型性能的方法,并且证明了最小误差率可以通过 Wasserstein 平均问题的最优值来计算,从而提出了一种简单的后处理方法来保证模型的公平性。
- 公平性的极限挑战:谁是最公平的?
该论文研究算法公平性的不可能定理,提出了一种基于整数规划方法的框架,可以同时满足多种公平标准,并在模型性能减少的情况下改善公平性,以及探讨了模型选择和公平性可解释性的应用。
- ICML通过表现性分布鲁棒优化实现少数群体的长期公平性
研究人员扩展了实现预测并加入分布式鲁棒性目标,以解决正式的公平标准存在的四个严重缺陷。
- ICML具有凸罚项的公平广义线性模型
本文提出两种 GLMs 的公平性标准,即基于期望结果或对数似然函数的平等化,证明了对于 GLMs,两个标准都可以通过只基于 GLM 的线性组成部分的凸罚项实现,从而允许高效的优化。同时,给出了导致公平 GLM 估计器的理论性质。
- 如何公正决策长期资格问题?
本文针对决策公平性方面的长期影响进行研究,研究人员通过模拟静态公平约束下群体福祉的平等和改进的长期影响以及潜在的干预措施,发现其对于群体福利可同时具有促进平等和增加差距两种影响,同时提出一种理论框架并完成了基于实际数据与模拟动态的社会科学研 - AAAI因果算法补救措施公平性研究
本研究从补救行动的角度研究算法公正性,提出两个新的公正性准则,明确考虑特征之间的因果关系,从而捕捉在物理世界中执行的补救行动的下游效应。我们探讨了我们的标准与其他标准,如反事实公正性的关系,并且证明了补救公正性与预测公正性互补。最后,我们讨 - 实体交换数据集:一种审计命名实体识别模型领域内鲁棒性的方法
本文提出了一种审计命名实体识别系统的方法,在考虑实体国籍因素的前提下,通过创建实体交换数据集来分析系统的域内稳健性,并发现系统的性能表现存在显著差异,其中美国和印度实体的识别效果最佳,而越南和印尼实体的识别效果最差,这种审计方法有利于发展更 - 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。
- 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。
- 避免偏见的对抗性分布:无需重新训练的修复方法
利用机器学习模型的输出和输入的概率分布对基于敏感属性(如性别或种族)的性能不均衡进行量化,并通过扰动劣势群体的输入变量的分布来减少固定分类模型对感兴趣人群的影响,从而通过数据预处理器实现消除性能差异的目的。
- 公平高效机器学习的解耦分类器
本文研究当使用敏感信息来训练机器学习系统时如何保证公平性,提出了一种有效的技术 —— 基于转移学习的去耦合方法,并且可适用于多个公平标准下的任务,但是需要在应用设计者规定的联合损失函数下权衡公平性和准确性。
- 具有不同影响的公平预测:再犯罪预测工具中偏见研究
本文讨论了最近被应用于评估惯犯再犯预测工具公平性的几个公正标准,证明了当不同群体的惯犯再犯率不同时,这些标准无法同时满足。然后说明了当再犯预测工具未能满足错误率平衡标准时如何产生不同影响。