Facets of Disparate Impact: Evaluating Legally Consistent Bias in Machine Learning

要約

現在の法的基準を活用して、斬新なメトリック「客観的公平性インデックス」を使用して、限界利益と客観的テストのレンズを通してバイアスを定義します。
このインデックスは、客観的テストのコンテキストニュアンスとメトリックの安定性を組み合わせて、法的に一貫した信頼できる尺度を提供します。
客観的な公平性インデックスを利用して、メトリックの実用的および理論的意義を強調して、COMPAS（再犯予測）などの機密性の高い機械学習アプリケーションに関する新たな洞察を提供します。
客観的な公平性インデックスにより、差別的なテストと全身性格差を区別できます。

要約(オリジナル)

Leveraging current legal standards, we define bias through the lens of marginal benefits and objective testing with the novel metric ‘Objective Fairness Index’. This index combines the contextual nuances of objective testing with metric stability, providing a legally consistent and reliable measure. Utilizing the Objective Fairness Index, we provide fresh insights into sensitive machine learning applications, such as COMPAS (recidivism prediction), highlighting the metric’s practical and theoretical significance. The Objective Fairness Index allows one to differentiate between discriminatory tests and systemic disparities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google