.png){kind=icon}
返回
Redefining Fairness: A Multi-dimensional Perspective and Integrated Evaluation Framework
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-05962-8_20.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着机器学习技术持续渗透到具有重大社会影响的各类应用领域，对算法公平性的关注正成为这一研究领域的日益关键方面。现有关于公平性的研究通常假设算法偏差源于数据中的单一预定义敏感属性，从而忽视了现实中多个敏感属性往往同时普遍存在的现实。与以往工作不同，本文深入探讨了涉及多个敏感属性的群体公平性领域，这一设定极大地增加了缓解算法偏差的难度。我们认为，这种多属性视角为现实应用中的公平性提供了更务实的模型，并展示了在如此复杂的前提条件下进行学习如何带来新的见解，从而更好地解释算法公平性。此外，我们开发了首个统一度量指标——多公平性约束效用（MFBU），旨在同时评估和比较多源偏差缓解方法在公平性与效用之间的权衡。通过将公平性与效用整合为单一直观指标，MFBU为模型设计者提供了灵活地全面评估和比较不同公平性技术的可能性。在三个真实数据集上进行的大量实验证实，所提出的方法在最小化歧视的同时保持了预测性能的优越表现。
Keyword:
Fairness
Multi-dimensional sensitive attributes
Unified metric
Decision tree
期刊
机构
引用论文
分享收藏The accuracy, fairness, and limits of predicting recidivism预测累犯的准确性，公平性和局限性.png)
SCIENCE ADVANCES
OAAI
SCIENCE ADVANCESIF12.5
OAAI分享收藏
查看更多内容