學(xué)習(xí)筆記，僅供參考，有錯(cuò)必糾

關(guān)鍵詞：公平性學(xué)習(xí) , 分類間隔 , 目標(biāo)集 , 加權(quán)距離度量 , 歧視性

---

公平性機(jī)器學(xué)習(xí)中基于分類間隔的歧視樣本發(fā)現(xiàn)和消除算法

摘要

公平性學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn) , 預(yù)防歧視的目的在于執(zhí)行預(yù)測任務(wù)之前消除不公平訓(xùn)練集對(duì)于分類器的影響.為了保證分類公平性和準(zhǔn)確性 , 本文通過發(fā)現(xiàn)和消除原始數(shù)據(jù)集中的歧視樣本尋找生成公平數(shù)據(jù)集的方法 , 即提出了一種基于分類間隔的加權(quán)方法用于處理二分類任務(wù)中的歧視現(xiàn)象 , 并在 demographic parity和equalized odds公平性判定準(zhǔn)則上實(shí)現(xiàn)分類公平.

為了不影響分類準(zhǔn)確性 , 本文基于最大間隔原理將樣本投影之后選出目標(biāo)集 , 對(duì)于目標(biāo)集中的每個(gè)樣本 , 通過加權(quán)距離度量方法判定該樣本是否具有歧視性 , 并進(jìn)行修正 .

通過在 3 個(gè)真實(shí)數(shù)據(jù)集上與已有方法進(jìn)行實(shí)驗(yàn)對(duì)比 , 本文的方法能夠獲得更好的分類公平性和準(zhǔn)確性 , 并且不局限于特定的公平性判定準(zhǔn)則和分類器.

引言

近年來 , 機(jī)器學(xué)習(xí)越來越受到各界人士的關(guān)注 . 然而 , 機(jī)器學(xué)習(xí)系統(tǒng)容易受到歷史數(shù)據(jù)的影響 , 并對(duì)少數(shù)群體、弱勢群體和歷史上處于不利地位的群體產(chǎn)生歧視行為 . 因此 , 有必要使用公平性準(zhǔn)則來約束機(jī)器學(xué)習(xí)系統(tǒng)在某些應(yīng)用場景中的行為 , 例如貸款、就業(yè)、刑事司法和廣告 , 并期望保護(hù)弱勢群體 , 從而在分類公平性和準(zhǔn)確性之間達(dá)到一個(gè)平衡.

目前 , 機(jī)器學(xué)習(xí)公平性的研究成果大致歸為以下 3 大類：

• 第 1 類方法通過數(shù)據(jù)預(yù)處理消除歧視樣本 . 主要策略是通過修改訓(xùn)練集來平衡

總結(jié)

以上是生活随笔為你收集整理的文献记录(part69)--公平性机器学习中基于分类间隔的歧视样本发现和消除算法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。