计算机科学>机器学习
职务: 公平回归中的平等覆盖机会
摘要: 我们研究预测不确定性下的公平机器学习(ML),以实现可靠和可信的决策。 “均衡覆盖”的开创性工作提出了一个不确定性公平概念。 然而,它并不能保证更多细粒度群体(如低收入女性)在真实标签上的平等覆盖率,并且在评估不确定性方面存在偏见。 为了解决这些局限性,我们提出了一种新的不确定性公平——平等覆盖机会(EOC),旨在实现两个属性:(1)具有相似结果的不同群体的覆盖率相近,(2)整个人口的覆盖率保持在预定水平。 此外,预测区间应狭窄,以便提供信息。 我们提出了二进制公平分位数回归(BFQR),这是一种无分布的后处理方法,用于改进任何训练ML模型具有合理宽度的EOC。 它首先将保持集校准为EOC的界偏差,然后利用保角预测在测试集上保持EOC,同时优化预测间隔宽度。 实验结果证明了该方法在改善EOC方面的有效性。 我们的代码可在以下网址公开获取: 此https URL .