Über die Konsistenz von Fairnessmessmethoden für Regressionsaufgaben

Mit den wachsenden Anwendungen von Machine Learning (ML)-Techniken in der realen Welt ist es äußerst wichtig sicherzustellen, dass diese Modelle auf gerechte Weise funktionieren. Ein wichtiger Schritt zur Gewährleistung von Fairness besteht darin, Fairness effektiv zu messen, und zu diesem Zweck wurden in der vergangenen Literatur verschiedene Metriken vorgeschlagen. Während die Berechnung dieser Metriken in der Klassifikationssituation unkompliziert ist, ist sie im Bereich der Regression rechnerisch nicht machbar. Um die Herausforderung der rechnerischen Unlösbarkeit anzugehen, schlug die frühere Literatur verschiedene Methoden vor, um solche Metriken zu approximieren. Es wurde jedoch nicht überprüft, inwieweit die Ausgaben solcher Approximationsalgorithmen konsistent zueinander sind. Um diese Lücke zu schließen, untersucht dieses Papier umfassend die Konsistenz der Ausgaben verschiedener Fairnessmessmethoden, indem eine umfangreiche Reihe von Experimenten zu verschiedenen Regressionsaufgaben durchgeführt wird. Das Ergebnis zeigt, dass einige Fairnessmessansätze zwar eine hohe Konsistenz über verschiedene Regressionsaufgaben hinweg aufweisen, bestimmte Methoden jedoch eine relativ schlechte Konsistenz bei bestimmten Regressionsaufgaben zeigen. Dies erfordert wiederum einen grundsätzlicheren Ansatz zur Messung von Fairness im Bereich der Regression.