protected attribute | BriefGPT

关键词protected attribute

搜索结果 - 11

排名公平性：无需保护属性的随机化鲁棒性
我们提出了一种用于后处理排名的随机方法，不需要受保护属性的可用性，通过广泛的数值研究，我们展示了我们的方法在 P-Fairness 和与基线排名的标准化折现累积增益 (NDCG) 方面的稳健性和有效性，并改进了之前提出的方法。
PDF3 months ago
通过预处理、中处理和后处理实现具有线性差异约束的贝叶斯最优公平分类
机器学习算法在受保护群体上可能存在不公平影响。为解决此问题，我们开发了贝叶斯最优公平分类的方法，旨在在给定的群体公平约束条件下最小化分类错误。我们介绍了线性差异度量的概念，这些度量是概率分类器的线性函数；以及双线性差异度量，这些度量也是群体
PDF5 months ago
减轻二元分类中的非线性算法偏差
该论文提出使用因果建模来检测和减轻与受保护属性非线性相关的算法偏差。我们使用了 UC Irvine 机器学习库中提供的 German Credit 数据集来开发 (1) 一个被视为黑盒的预测模型和 (2) 用于偏差减轻的因果模型。我们聚焦于
PDF7 months ago
基于乳腺 DCE-MRI 衍生放射学特征的随机森林模型中的种族偏见调查
用基于放射学特征的随机森林模型训练的数据显示，人工智能模型在使用不平衡的受保护属性数据进行训练时可能存在偏见，这对预测肿瘤分子亚型及肿瘤的种族产生有影响，导致模型在训练所属种族的测试数据上表现优秀。
PDF9 months ago
通过层级公平 - 狄利克雷过程实现公平聚类
本文提出了一种基于模型的公平聚类方法，补充了现有大多数基于适当目标函数优化的文献，致力于解决机器学习带来的算法公平性问题。
PDFa year ago
FLAC: 抑制属性 - 类别关联性以实现公平感知的表示学习
通过采用深度学习方法，提出了一种无需保护性特征标签的新型算法 FLAC，可以减少因数据集偏见引起的对某些人群的歧视。实验证明，FLAC 在 MNIST、CelebA 和 UTKFace 数据集上实现的结果都优于现有的最先进水平，而在 Ima
PDFa year ago
多属性公平性：针对欺诈检测的应用
本文提出了一种公平度量方法，通过迭代式基于网格的启发式算法来校准敏感属性值的结果，实现对保护属性值的公平。在多个受保护属性值的情况下，通过对欺诈检测进行研究，证明所提出的启发式算法能够实现公平。与现有的公平技术相比，该算法在多个公开数据集上
PDF2 years ago
学习公平表达的固有折衷
本文研究了分类问题中的公平性和准确性之间的权衡，并提供了任何公平分类器群体误差和任何（近似）公平分类器的联合误差的下限，从公平表示学习角度推广这个结果。
PDF5 years ago
不完美群体信息下的均等准确率后处理
本文研究了在只有保护属性的不完美信息的情况下，公平干预是否仍然可行。我们特别研究了 Hardt 等人（2016）的等化几率后处理方法，证明了在属性扰动的情况下，只要符合我们所确定的条件，即使运行等化几率，分类器的偏差也会降低。我们还研究了所
PDF5 years ago
学习非歧视性预测器
通过学习符合 Hardt 等人提出的 “平等赔率” 概念中的 “保护属性” 的非歧视性预测器，我们从统计和计算的角度研究了从有限训练集中学习这样的非歧视性预测器的问题。我们表明事后的校正方法可以具有很高的次优性，提出一种接近最优的统计过程，
PDF7 years ago
有监督学习中的机会平等
本研究提出了一种针对监督学习中指定敏感属性的歧视判据，结合 FICO 信用评分案例研究来说明该判据是如何通过调整学习预测器的方式达到消除歧视的目的。同时，本文研究了基于被遗忘的测试方式定义和识别偏见的固有限制。
PDF8 years ago