Fairguard: Harness Logic-based Fairness Rules in Smart Cities

要約

スマート シティは、大規模なセンサー ネットワークからデータを収集、集約、利用する計算予測フレームワークに基づいて動作します。
ただし、これらのフレームワークには複数のデータ ソースとアルゴリズムのバイアスが発生する傾向があり、不公平な予測結果が生じることがよくあります。
この研究では、まず、テネシー州チャタヌーガの実際の都市データを研究することにより、バイアスが時間的および空間的にミクロレベルで存続することを実証します。
このようなバイアスの問題を軽減するために、複雑な時空間領域で公平なスマートシティ政策を調整および生成するためのミクロレベルの時相論理ベースのアプローチであるフェアガードを紹介します。
Fairguard フレームワークは 2 つのフェーズで構成されます。まず、選択した属性間の相関を最小限に抑えることで、時相論理条件に基づいてデータの偏りを軽減できる静的ジェネレーターを開発します。
次に、予測アルゴリズムの公平性を確保するために、予測結果を調整し、ロジック ルールを利用して将来の公平な予測を生成する動的コンポーネントを設計します。
評価の結果、ロジックを有効にした静的 Fairguard は偏った相関を効果的に低減できる一方、動的な Fairguard は全体のパフォーマンスへの影響を最小限に抑えながら、実行時に保護されたグループの公平性を保証できることが示されています。

要約(オリジナル)

Smart cities operate on computational predictive frameworks that collect, aggregate, and utilize data from large-scale sensor networks. However, these frameworks are prone to multiple sources of data and algorithmic bias, which often lead to unfair prediction results. In this work, we first demonstrate that bias persists at a micro-level both temporally and spatially by studying real city data from Chattanooga, TN. To alleviate the issue of such bias, we introduce Fairguard, a micro-level temporal logic-based approach for fair smart city policy adjustment and generation in complex temporal-spatial domains. The Fairguard framework consists of two phases: first, we develop a static generator that is able to reduce data bias based on temporal logic conditions by minimizing correlations between selected attributes. Then, to ensure fairness in predictive algorithms, we design a dynamic component to regulate prediction results and generate future fair predictions by harnessing logic rules. Evaluations show that logic-enabled static Fairguard can effectively reduce the biased correlations while dynamic Fairguard can guarantee fairness on protected groups at run-time with minimal impact on overall performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google