FaiREE: Fair Classification with Finite-Sample and Distribution-Free Guarantee

要約

【タイトル】FaiREE：有限サンプルおよび分布自由の保証を持つフェアな分類

【要約】
– 機械学習研究において、アルゴリズムにおける公平性はますます重要な役割を果たしています。
– 既存の公平性に関する方法には、一部のデータ分布の仮定に基づいた保証があり、それは大規模なサンプルサイズを必要とすることが多く、機械学習においては現実的ではありません。
– 本研究では、有限サンプルおよび分布自由の理論的保証を持つフェアな分類アルゴリズムであるFaiREEを提案します。
– FaiREEは、様々なグループ公平性の概念（例：Opportunityの平等、Equalized Odds、人口統計学的均等性など）を満たすように適応され、最適な精度を実現できます。
– 実験の結果、FaiREEは、合成データおよび実データの両方の場合において、最先端のアルゴリズムよりも優れた性能を示しました。

要約(オリジナル)

Algorithmic fairness plays an increasingly critical role in machine learning research. Several group fairness notions and algorithms have been proposed. However, the fairness guarantee of existing fair classification methods mainly depends on specific data distributional assumptions, often requiring large sample sizes, and fairness could be violated when there is a modest number of samples, which is often the case in practice. In this paper, we propose FaiREE, a fair classification algorithm that can satisfy group fairness constraints with finite-sample and distribution-free theoretical guarantees. FaiREE can be adapted to satisfy various group fairness notions (e.g., Equality of Opportunity, Equalized Odds, Demographic Parity, etc.) and achieve the optimal accuracy. These theoretical guarantees are further supported by experiments on both synthetic and real data. FaiREE is shown to have favorable performance over state-of-the-art algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI