Fairguard: Harness Logic-based Fairness Rules in Smart Cities

要約

タイトル：Fairguard：スマートシティでの論理ベースの公平性ルールの活用

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・利用する計算予測のフレームワーク上で動作する。
– しかしながら、これらのフレームワークは、多数のデータ源やアルゴリズムの偏りに対する傾向があり、しばしば公平でない予測結果につながる。
– 本論文では、まず、テンポラルとスペーシャルの両方のレベルでバイアスが継続して存在していることを実証するため、Chattanooga, TNの実際の都市データを研究する。
– このような偏りの問題を緩和するために、Fairguardを導入する。Fairguardは、複雑なテンポラル・スペーシャル領域における公平なスマートシティ政策の調整と生成のためのマイクロレベルのテンポラルロジックベースのアプローチである。
– Fairguardフレームワークは、2つのフェーズから構成されており、まず、選択された属性の相関関係を最小化することにより、テンポラルロジック条件に基づいてデータバイアスを減少させる静的ジェネレータを開発する。次に、予測アルゴリズムにおいて公正性を確保するために、ロジックルールを利用して未来の公平な予測結果を生成する動的なコンポーネントを設計する。
– 評価の結果、ロジック対応の静的Fairguardは、バイアスのある相関関係を効果的に減らすことができ、動的なFairguardは、全体的なパフォーマンスへの最小限の影響で保護されたグループに対する公平性を実行時に保証することができることを示している。

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, OpenAI