Fairguard: Harness Logic-based Fairness Rules in Smart Cities

要約

タイトル：Fairguard：スマートシティで論理ベースの公平ルールを利用する
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で動作します。
– しかし、これらのフレームワークは多様なデータやアルゴリズムバイアスに起因する問題が発生し、不公平な予測結果につながることがよくあります。
– この研究では、Chattanooga、TNからの本物の都市データを調査し、バイアスが時間的および空間的な微視的レベルで存在し続けることを示します。
– このようなバイアスの問題を取り除くために、時間的、空間的に複雑なドメインにおける公正なスマートシティポリシーの調整と生成のためのマイクロレベル時間論理ベースのアプローチであるFairguardを導入します。
– Fairguardフレームワークは2つのフェーズで構成されます。最初に、選択された属性間の相関関係を最小化することで、一時的論理条件に基づいてデータバイアスを減らすことが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、論理ルールを活用して予測結果を規制し、将来的に公正な予測を生成するダイナミックなコンポーネントを設計します。
– 評価により、ロジックを使用した静的Fairguardは、バイアスの相関関係を効果的に減らし、ダイナミックなFairguardは全体的な性能にほとんど影響を与えながら、実行時に保護されたグループの公平性を保証することができることが示されました。

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