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

要約

タイトル：有限標本と分布フリーの保証付きフェア分類法FaiREE

要約：

– 機械学習研究において、アルゴリズム的公平性はますます重要な役割を担っています。
– 既存の公平性の手法は、特定のデータ分布の仮定に依存しており、大量のサンプルが必要であり、実際の場合には限られた数のサンプルでは公平性が違反される可能性があります。
– この論文では、有限標本と分布フリーの理論的保証を持つ公平分類アルゴリズムであるFaiREEを提案しています。
– FaiREEは、様々なグループ公平性の概念（例：機会均等、均等オッズ、人口平等など）を満たすために適応でき、最適な精度を達成することができます。
– これらの理論的保証は、合成データと実データの両方の実験によってさらにサポートされています。
– FaiREEは、最先端のアルゴリズムよりも有利なパフォーマンスを発揮することが示されています。

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