Beyond Submodularity: A Unified Framework of Randomized Set Selection with Group Fairness Constraints

要約

タイトル：サブモジュラ性を超えたグループフェアネス制約を持つランダムセット選択の統一フレームワーク

要約：

– 機械学習アルゴリズムは、ターゲット広告の表示、住宅ローンの承認、犯罪行動の予測などの重要な意思決定プロセスにおいて重要な役割を果たしています。
– これらのアルゴリズムが一定の人口グループに対して偏見や偏見を持たずに公平に動作することは重要です。
– この目的のために、グループフェアネス制約を取り入れたランダムサブセット選択の統一フレームワークを導入します。
– この問題は、各グループに対するグループ効用関数のセットとグローバル効用関数を含みます。それぞれのグループは、属性（例：性別）を共有する個人のグループを指します。
– 目的は、各実行可能なセットの選択確率を指定する実行可能なセットの分布を生成して、予想される各グループ効用関数の事前に決定されたクオータを満たしながら、グローバル効用関数を最大化することです。
– グローバル効用関数と各グループ効用関数の間に直接の接続がない場合があることに注意してください。
– このフレームワークは、機械学習とオペレーションズリサーチの多くの重要なアプリケーションを統一し、一般化することを示します。
– アルゴリズム上の結果は、既知の最善の結果を改善するか、新しいアプリケーションのための初の近似アルゴリズムを提供します。

要約(オリジナル)

Machine learning algorithms play an important role in a variety of important decision-making processes, including targeted advertisement displays, home loan approvals, and criminal behavior predictions. Given the far-reaching impact of these algorithms, it is crucial that they operate fairly, free from bias or prejudice towards certain groups in the population. Ensuring impartiality in these algorithms is essential for promoting equality and avoiding discrimination. To this end we introduce a unified framework for randomized subset selection that incorporates group fairness constraints. Our problem involves a global utility function and a set of group utility functions for each group, here a group refers to a group of individuals (e.g., people) sharing the same attributes (e.g., gender). Our aim is to generate a distribution across feasible subsets, specifying the selection probability of each feasible set, to maximize the global utility function while meeting a predetermined quota for each group utility function in expectation. Note that there may not necessarily be any direct connections between the global utility function and each group utility function. We demonstrate that this framework unifies and generalizes many significant applications in machine learning and operations research. Our algorithmic results either improves the best known result or provide the first approximation algorithms for new applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI