Pairwise Fairness for Ranking and Regression
Pairwise Fairness for Ranking and Regression
复制标题
排名和回归的成对公平性
DOI：
10.1609/aaai.v34i04.5970
复制
发表时间：
2019
期刊：
影响因子：
--
通讯作者：
S. Wang
中科院分区：
文献类型：
--
作者：
H. Narasimhan;Andrew Cotter;Maya R. Gupta;S. Wang
我们提出了排序模型和回归模型的两两公平指标，它们形成了类似于统计公平概念的东西，如均等机会、均等准确性和统计平价。我们的配对公式既支持离散保护组，也支持连续保护属性。我们表明，使用现有的约束优化和为公平分类开发的鲁棒优化技术，可以有效地解决由此产生的训练问题。实验证明了这些方法的广泛适用性和折衷性。
We present pairwise fairness metrics for ranking models and regression models that form analogues of statistical fairness notions such as equal opportunity, equal accuracy, and statistical parity. Our pairwise formulation supports both discrete protected groups, and continuous protected attributes. We show that the resulting training problems can be efficiently and effectively solved using existing constrained optimization and robust optimization techniques developed for fair classification. Experiments illustrate the broad applicability and trade-offs of these methods.
DOI：
10.1145/3366424.3383534
发表时间：
2018-05
期刊：
Companion Proceedings of the Web Conference 2020
影响因子：
--
作者：
Meike Zehlike;Tom Sühr;C. Castillo;Ivan Kitanovski
通讯作者：
Meike Zehlike;Tom Sühr;C. Castillo;Ivan Kitanovski