通过预处理、中处理和后处理实现具有线性差异约束的贝叶斯最优公平分类
原文中文，约600字，阅读约需2分钟。发表于：。机器学习算法在受保护群体上可能存在不公平影响。为解决此问题，我们开发了贝叶斯最优公平分类的方法，旨在在给定的群体公平约束条件下最小化分类错误。我们介绍了线性差异度量的概念，这些度量是概率分类器的线性函数；以及双线性差异度量，这些度量也是群体回归函数的线性函数。我们证明了几种流行的差异度量 - 从人口统计平衡、机会平等到预测平等的偏离 - 都是双线性的。我们通过在单一线性差异度量下揭示与...
研究者开发了贝叶斯最优公平分类方法，以在给定公平约束条件下最小化分类错误。他们介绍了线性和双线性差异度量的概念，并证明了几种流行的差异度量都是双线性的。他们还设计了在双线性差异约束下学习公平贝叶斯最优分类器的方法。实验证明，该方法比现有算法更可取。
