人口均等的多类别分类中的公平性保证
Christophe Denis、Romuald Elie、Mohamed Hebiri、François Hu; 25(130):1−46, 2024.
摘要
算法公平是机器学习的一个既定领域，愿意减少数据中隐藏偏见的影响。然而，尽管它的应用范围很广，但很少有作品从公平的角度考虑多类分类设置。我们关注这个问题，并将人口均等情况下近似公平的定义扩展到多类分类。在属性感知的情况下，以及对于二进制和多类别敏感属性，我们指定了最优公平分类器的相应表达式。这建议使用插件数据驱动程序，我们为其建立理论保证。证明了改进的估计器在公平性和风险方面都能模拟最优规则的行为。值得注意的是，公平保障是无分配的。该方法在合成数据集和实际数据集上进行了评估，结果表明，在预设的不公平程度下，该方法在决策中非常有效。此外，我们的方法在二进制和多类任务中具有竞争力（如果不是更好的话）。
[腹肌]
[pdf格式][围兜]
