多类公平分类新突破！相干风险度量搞定重叠群体，抗数据损坏还超稳定
Fairness in multi-class multi-group classification problems via contextial coherent risk measures
📖 AI 总结
该论文提出了一种面向多类别、多群体分类问题的公平分类器设计新方法，尤其针对向量值敏感属性的场景。在此类问题中，每个敏感属性包含多个取值，形成多个可能重叠的群体，且需考虑因素间的交互作用。作者强调，分类决策不应为满足群体层面的公平指标而牺牲个体权利。为此，他们引入一致风险度量理论来构建公平分类框架，并开发了一种专门求解相应优化问题的数值方法。该方法在观测数量增加时具有良好的可扩展性，且对数据损坏或数据稀缺情况表现出鲁棒性。实验表明，该框架在公平性和性能上优于支持向量机及其他现有公平处理方法。
🔑 关键词速览
| coherent measures of risk | 相干风险度量，是一类满足单调性、平移不变性、正齐次性和次可加性的风险度量，用于量化不确定性。 |
| multi-class classification | 多类分类，指将实例分配到三个或更多类别中的监督学习任务。 |
| sensitive attributes | 敏感属性，指如种族、性别等受法律保护的属性，在公平性分析中用于定义群体。 |
| fair classifiers | 公平分类器，指在分类决策中旨在减少或消除对特定群体偏见的模型。 |
| support-vector machine (SVM) | 支持向量机，一种经典的监督学习模型，通过寻找最大间隔超平面进行分类。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅