Post-hoc Bias Scoring Is Optimal For Fair Classification

要約

グループの公平性制約の下で二項分類問題を検討します。これは、人口平価 (DP)、均等化機会 (EOp)、または均等化オッズ (EO) のいずれかになります。
我々は、公平性制約の下でのベイズ最適分類器の明示的な特徴付けを提案します。これは、制約のない分類器の単純な変更ルールであることが判明します。
つまり、バイアス スコアと呼ばれる新しいインスタンス レベルのバイアスの尺度を導入します。修正ルールは、有限量のバイアス スコアに基づく単純な線形ルールです。この特徴付けに基づいて、事後アプローチを開発します。
これにより、高い精度を維持しながら公平性の制約に適応できるようになります。
DP および EOp 制約の場合、変更ルールは単一のバイアス スコアをしきい値処理しますが、EO 制約の場合は、2 つのパラメーターを使用して線形変更ルールを適合させる必要があります。
この方法は、複数の機密属性が関係するものなど、複合的なグループ公平性基準にも適用できます。

要約(オリジナル)

We consider a binary classification problem under group fairness constraints, which can be one of Demographic Parity (DP), Equalized Opportunity (EOp), or Equalized Odds (EO). We propose an explicit characterization of Bayes optimal classifier under the fairness constraints, which turns out to be a simple modification rule of the unconstrained classifier. Namely, we introduce a novel instance-level measure of bias, which we call bias score, and the modification rule is a simple linear rule on top of the finite amount of bias scores.Based on this characterization, we develop a post-hoc approach that allows us to adapt to fairness constraints while maintaining high accuracy. In the case of DP and EOp constraints, the modification rule is thresholding a single bias score, while in the case of EO constraints we are required to fit a linear modification rule with 2 parameters. The method can also be applied for composite group-fairness criteria, such as ones involving several sensitive attributes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google