On Convexity and Bounds of Fairness-aware Classification
On Convexity and Bounds of Fairness-aware Classification
复制标题
关于公平感知分类的凸性和界限
DOI：
10.1145/3308558.3313723
复制
发表时间：
2019
期刊：
影响因子：
--
通讯作者：
Wu, Xintao
中科院分区：
文献类型：
--
作者：
Wu, Yongkai;Zhang, Lu;Wu, Xintao
在本文中，我们研究了公平意识的分类问题，制定它作为一个约束优化问题。在以前的作品中存在一些限制，由于缺乏一个理论框架来指导制定。我们提出了一个一般的公平意识的框架，以解决以前的限制。我们的框架提供：（1）可以作为约束并入经典分类模型的各种公平性度量;（2）可以有效解决的凸约束优化问题;以及（3）使用代理函数建立的真实世界公平性度量的上下界，为约束分类器提供公平性保证。在这个框架内，我们提出了一个无约束的标准，根据该标准，任何学习的分类器都保证在指定的公平性度量方面是公平的。如果不满足无约束准则，我们进一步发展的方法的基础上构建公平分类器的界限。使用真实世界数据集的实验证明了我们的理论结果，并显示了所提出的框架的有效性。
In this paper, we study the fairness-aware classification problem by formulating it as a constrained optimization problem. Several limitations exist in previous works due to the lack of a theoretical framework for guiding the formulation. We propose a general fairness-aware framework to address previous limitations. Our framework provides: (1) various fairness metrics that can be incorporated into classic classification models as constraints; (2) the convex constrained optimization problem that can be solved efficiently; and (3) the lower and upper bounds of real-world fairness measures that are established using surrogate functions, providing a fairness guarantee for constrained classifiers. Within the framework, we propose a constraint-free criterion under which any learned classifier is guaranteed to be fair in terms of the specified fairness metric. If the constraint-free criterion fails to satisfy, we further develop the method based on the bounds for constructing fair classifiers. The experiments using real-world datasets demonstrate our theoretical results and show the effectiveness of the proposed framework.
登录
查看更多内容
反歧视学习：基于因果建模的框架
影响因子：
2.4
作者：
Zhang, Lu;Wu, Xintao
通讯作者：
Wu, Xintao
DOI：
10.1145/1401890.1401959
发表时间：
2008-08
期刊：
ArXiv
影响因子：
--
作者：
D. Pedreschi;S. Ruggieri;F. Turini
通讯作者：
D. Pedreschi;S. Ruggieri;F. Turini
处理有条件的歧视
DOI：
--
发表时间：
2011
期刊：
2011 IEEE 11th International Conference on Data Mining
影响因子：
--
作者：
Indrė Žliobaitė;F. Kamiran;T. Calders
通讯作者：
T. Calders
DOI：
--
发表时间：
2017-02
期刊：
ArXiv
影响因子：
--
作者：
Blake E. Woodworth;Suriya Gunasekar;Mesrob I. Ohannessian;N. Srebro
通讯作者：
Blake E. Woodworth;Suriya Gunasekar;Mesrob I. Ohannessian;N. Srebro
歧视发现的top-k措施研究
DOI：
--
发表时间：
2012
期刊：
ACM Symposium on Applied Computing
影响因子：
--
作者：
D. Pedreschi;S. Ruggieri;F. Turini
通讯作者：
F. Turini