.png){kind=icon}
返回
FairFES - Fast Exact Sampling for Fair Classification
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-02215-8_4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
虽然传统公平性指标如统计差异评估了社会群体间的平等对待，但它们未能考虑现实约束，例如在招聘中要求所有群体有预定的接受率。为生成机器学习的公平数据集，我们提出了两种快速精确的采样方法，FairFESDown和FairFESUp，能够使数据集与指定的公平目标对齐。与现有方法不同，我们的方法在数据集大小方面具有线性时间复杂度，并能处理非二元受保护属性。我们在公平文献中的几个流行分类器和数据集上评估了我们的方法，实现了统计差异分数接近零的最优公平性，同时保持了与原始数据集相似的分类性能。我们的预处理方法在统计差异、分类准确率和运行时间方面优于现有方法，包括FairGAN、FairSMOTE和FairUS。
Keyword:
Machine Learning
Fairness
Pre-processing
Sampling Methods
AI Act
期刊
B
IF:
0
论文数:
26
被引数:
0
机构
引用论文
Duong, M.K.; Conrad, S. Towards Fairness and Privacy: A Novel Data Pre-processing Optimization Framework for Non-binary Protected Attributes. In Data Science and Machine Learning; Springer Nature: Singapore, 2023; pp. 105–120. [Google Scholar] [CrossRef]Duong, M.K.; Conrad, S. 迈向公平性与隐私保护：一种针对非二元受保护属性的新型数据预处理优化框架。载于《数据科学与机器学习》；Springer Nature: 新加坡，2023年；第105–120页。 [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏
查看更多内容