人工智能的算法公平性實(shí)現(xiàn)

我們解決了算法公平性的問題:確保分類器的結(jié)果不會偏向于敏感的變量值，比如年齡、種族或性別。由于一般的公平性度量可以表示為變量之間(條件)獨(dú)立性的度量，我們提出使用Renyi最大相關(guān)系數(shù)將公平性度量推廣到連續(xù)變量。我們利用Witsenhausen關(guān)于Renyi相關(guān)系數(shù)的角色塑造，提出了一個鏈接到f-區(qū)別的可微實(shí)現(xiàn)。這使得我們可以通過使用一個限制這個系數(shù)上限的懲罰，將公平意識學(xué)習(xí)推廣到連續(xù)變量學(xué)習(xí)。這些理論允許公平擴(kuò)展到變量，如混合種族群體或沒有閾值效應(yīng)的金融社會地位。這種懲罰可以通過允許使用深度網(wǎng)絡(luò)的小批量生產(chǎn)來估計(jì)。實(shí)驗(yàn)結(jié)果表明，二進(jìn)制變量的最新研究成果令人滿意，并證明了保護(hù)連續(xù)變量的能力。

1. 介紹

隨著人工智能工具在社會中的普及，確保敏感信息(例如個人的種族群體知識)不會“不公平地”影響學(xué)習(xí)算法的結(jié)果，正受到越來越多的關(guān)注。為了實(shí)現(xiàn)這一目標(biāo)，正如在相關(guān)工作3.1節(jié)中詳細(xì)討論的那樣，有三類方法: 首先修改一個預(yù)先訓(xùn)練的分類器，同時(shí)最小化對性能的影響(Hardt等人，2016;Pleiss等人，2017)，其次在訓(xùn)練期間執(zhí)行公平性，可能以凸性為代價(jià)(Zafar等人，2017)；第三，修改數(shù)據(jù)表示并使用經(jīng)典算法(Zemel 等人， 2013;Doninietal等人，2018)。正如(Hardt 等人, 2016) 所闡述的，算法公平性的核心要素是在兩個精心選擇的隨機(jī)變量之間估計(jì)和保證(條件)獨(dú)立性的能力--通常涉及由算法作出的決定和保護(hù)的變量以及“積極的”結(jié)果。在接下來的介紹中，我們將把這兩個隨機(jī)變量稱為u和v。雖然在一般情況下u和v可以是連續(xù)變量——例如預(yù)測概率或時(shí)間等變量——但迄今為止，公平方面的大部分工作都集中在保護(hù)分類變量上。本文中，我們放松了這種假設(shè)。

從應(yīng)用的角度來看，這是可取的，因?yàn)樗苊饬丝紤]將連續(xù)值作為預(yù)先確定的，在學(xué)習(xí)模型中呈現(xiàn)閾值效應(yīng)的“分類箱”。當(dāng)考慮到年齡、種族比例或性別流動性測量時(shí)，這些閾值沒有實(shí)際意義。此外，一種描述公平性約束的平滑和連續(xù)的方法——一種同時(shí)考慮元素順序(例如10yo