FairRR：通过随机响应进行群体公平的预处理
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
本文研究了多种公平性预处理算法，并探讨了其组合以提高算法的健壮性。提出了后处理缓解技术，通过调整决策阈值来提升公平性，同时引入相关性偏移概念以优化数据处理。研究表明，这些方法在公平性和准确性方面表现优异，提供了多种机器学习中的公平性解决方案。
❓
Q&A
FairRR的主要研究内容是什么？
FairRR研究了多种公平性预处理算法，并探讨了它们的组合以提高算法的健壮性。
后处理缓解技术的优势有哪些？
后处理缓解技术不需要访问模型训练流程，对基础模型架构没有偏好，且计算成本较低。
如何通过相关性偏移提高数据处理的公平性？
通过引入相关性偏移的概念，优化问题调整数据比率，从而提高数据处理算法的准确性和公平性。
FairRR如何评估公平性和准确性之间的权衡？
通过数千次模型评估，发现公平性-准确性Pareto前沿线包含了所有现有的其他改进方法。
FairReprogram方法的目的是什么？
FairReprogram旨在消除机器学习模型中的人口统计偏差问题，通过扰动输入数据来实现公平目标。
在多分类情况下如何实现公平性？
通过扩展基于后处理方法的技术，评估公平性权衡，并在真实世界应用数据集上进行测试。
🏷️
