江苏龙网

  1. 首页 > 人文 > >

『人工智能』当谈论机器学习中的公平公正时，我们该谈论些什么？( 七 )


公平性定义
本文中进行公平性分类和回归过程 ， 使用了两个基本的定量统计定义：
SP (Statistical parity)：预测函数 f 如果独立于某个受保护的属性 A ， 即预测函数 f 满足 (X,A,Y) 上分布的统计奇偶性 ， 与受保护属性无关 ， 我们就说该函数满足 SP 要求 。 当 f(X)∈[0,1] 时 ， 我们有：P[f(X)≥z|A=a]=P[f(x)≥z] 。
BGL(Bounded group lost）：如果对于每个受保护的属性 A 来说 ， 预测损失都低于某一预先确定的值 ， 这个函数 f 满足于 BGL 。 以语音或人脸识别任务为例 ， 这一公平性要求表示所有的组别都能获得较好的识别效果 。 当 E[l(Y,f(X))|A=a]≤ζ ， 我们得到预测水平为ζ的预测函数 f 。
公平回归（Fair Regression）
公平回归的过程就是在满足 SP 或 BGL 的前提下最小化损失函数 E[l(Y),f(X)] 。 我们需要在该前提的约束下进行优化 。
SP：本文设置一个可调值用于控制公平性的准确度 ， 例如针对每个属性的松弛参数ε_a ， 此时公平回归任务为：

『人工智能』当谈论机器学习中的公平公正时，我们该谈论些什么？
本文插图
（1）
BGL：针对每个属性 ， 设定一个约束参数ζ_a ， 此时公平回归问题为：
『人工智能』当谈论机器学习中的公平公正时，我们该谈论些什么？
本文插图
（2）
与第一篇论文提到的公平分类相似 ， 为了实现更好的公平性-准确性权衡 ， 这篇论文的作者在公平回归问题中引入一个随机预测因子（Randomized predictors）：首先根据分布 Q 选取 f ， 然后基于 f 进行预测 。 基于公式（1）和（2）给出下述符号：
『人工智能』当谈论机器学习中的公平公正时，我们该谈论些什么？
本文插图
由此得到 SP 的目标函数：
『人工智能』当谈论机器学习中的公平公正时，我们该谈论些什么？
本文插图
（3）
【『人工智能』当谈论机器学习中的公平公正时，我们该谈论些什么？】以及 BGL 的目标函数：
『人工智能』当谈论机器学习中的公平公正时，我们该谈论些什么？
本文插图
（4）
监督学习示例
本文作者展示了如何将公平回归问题转化为三个标准的学习问题：加权最小二乘回归、在不公平约束下的加权风险最小化（无公平性约束）、成本敏感分类问题 。 加权最小二乘回归的风险优化问题：给定数据集 {(Wi,Xi,Yi)} ， Wi 为非负权重 ， f 最优化权重经验风险：
『人工智能』当谈论机器学习中的公平公正时，我们该谈论些什么？
本文插图
在不公平约束下的加权风险最小化：使用 l 衡量准确度 ， 能够得到针对相同类别 F 的加权最小二乘学习者 。 损失函数为：
『人工智能』当谈论机器学习中的公平公正时，我们该谈论些什么？
本文插图
成本敏感分类：给定数据集 {(X^i,,Ci)} ， 其中 X『i,, 为特征向量 ， Ci 为表征成本（例如损失函数）区别 。 正值 Ci 表示 0 为最佳 ， 负值 Ci 则表示 1 为最佳 。 成本敏感分类的最终目标为找到能够最优化经验成本的分类器 h 。 给定数据集 {(Wi,X^i,Yi)} ， 当 Yi=1{Ci≤0} ， 以及 Wi=|Ci| ， 目标函数为：
『人工智能』当谈论机器学习中的公平公正时，我们该谈论些什么？
本文插图
根据以上 ， 作者就可以做出有 SP 或者 BGL 约束的公平回归算法 。
实验结果
本文使用如下数据库进行实验比对：成人库（Adult）、法学院（Law School）、社区和犯罪（Communities&Crime） 。 由于前两个库较大 ， 本文也在其子库上进行了实验 。 对比基线算法包括不受任何公平约束的回归 ， 以及来自公平分类和公平回归领域的两个基线算法 。 两个基线算法具体为：在任务为最小二乘回归的三个数据集上 ， 本文使用完全实质性机会均等（full Substantive Equality of Opportunity, SEO）[10] 算法作为基线；在两个任务为 logistic 回归的数据集上 ， 本文运行公平分类（Fair Classification ， FC）[11] 算法作为基线 。


推荐阅读


上一篇： [投用]投资1.75亿元 西藏自治区青少年宫揭牌投用

下一篇：「美国」截至5月4日15时，病毒源头终于尘埃落定？西方“索赔大军”纷纷退群