Consistent Range Approximation for Fair Predictive Modeling

要約

この論文では、偏ったデータに基づいてトレーニングされた予測モデルの公平性を証明するための新しいフレームワークを提案します。
これは、不完全で一貫性のないデータベースに対するクエリ応答を利用して、対象母集団の予測モデルに対する公平性クエリの一貫性のある範囲近似 (CRA) の問題を定式化します。
このフレームワークは、データ収集プロセスの背景知識と偏ったデータを利用し、対象集団に関する限定的な統計の有無にかかわらず、公平性クエリに対するさまざまな回答を計算します。
CRA を使用するこのフレームワークは、トレーニング中の外部データの利用可能性に関係なく、ターゲット母集団に対して公正であることが証明された予測モデルを構築します。
このフレームワークの有効性は実際のデータの評価を通じて実証され、既存の最先端の手法に比べて大幅な改善が見られます。

要約(オリジナル)

This paper proposes a novel framework for certifying the fairness of predictive models trained on biased data. It draws from query answering for incomplete and inconsistent databases to formulate the problem of consistent range approximation (CRA) of fairness queries for a predictive model on a target population. The framework employs background knowledge of the data collection process and biased data, working with or without limited statistics about the target population, to compute a range of answers for fairness queries. Using CRA, the framework builds predictive models that are certifiably fair on the target population, regardless of the availability of external data during training. The framework’s efficacy is demonstrated through evaluations on real data, showing substantial improvement over existing state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google