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正ルールを活用する

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し、集約・活用する計算予測フレームワーク上で動作します。
– しかし、これらのフレームワークは、複数のデータやアルゴリズムのバイアスに影響を受けやすく、不公正な予測結果につながる場合があります。
– 本研究は、実際の都市データから、バイアスが時間的・空間的に持続することを示し、この問題に対処するために、従来の方法とは異なるアプローチとして、論理ベースの「Fairguard」フレームワークを導入します。
– Fairguardフレームワークは、2つのフェーズから構成されます。まず、選択した属性間の相関関係を最小限に抑えるために、時間的論理条件に基づいたバイアス削減のための静的ジェネレータを開発します。そして、論理ルールを活用して未来の公平な予測を生成することで、予測アルゴリズムの公正性を保証するダイナミックなコンポーネントを設計します。
– 評価の結果、論理活性化された静的Fairguardは、バイアスの相関関係を効果的に減らすことができ、動的Fairguardは、保護されたグループに対して公正性を保証しつつ、全体的なパフォーマンスにほとんど影響を与えない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